마틴블로그닷넷

AI 기술 트렌드, 혁신과 대전환의 시대

K. Martin — Thu, 29 Jan 2026 20:36:59 +0900

두 달만 지나도 내가 알고 있는 것의 절반이 바뀐다. Thread의 최신 AI 기술 트렌드 뉴스레터를 팔로우 하면서, 아침마다 새로운 기술에 대한 알림에 귀 기울이고 있지만 현실이 그렇다. AI는 이제 더 복잡하게, 더 작게, 더 실용적으로 그러면서도 비현실적이라 할만큼 빠르게 마치 영화처럼 진화 중이다. 프롬프트 한 줄로 공연 영상을 만들어내고, 말만 몇마디 하면 웹서비스를 만들 수 있는 시대다. 손 안의 장치에서 꿈을 현실로 다듬고, 기술적 아름다움 조차 서비스 속으로 깊숙이 스며드는 지금. 매일이 바로 전환점이다.

“와 이거 미쳤습니다”, “진짜 대박입니다” 류의 소식들에 휘둘리다보면 무엇부터 시작해야 할지 난처해진다. 흐름을 따라가는 것이 아니라 도구 각각에 심취하다보면, 익숙해질 무렵 이미 다른 도구들에 배아파할지 모를 일이다. 요즘 같은 시대에 생존하기 위해 가져야 하는 유연한 태도라는건 과연 어떤 자세 어떤 전략을 말하는 것일까?

아마도 답은 흐름의 큰 줄기를 붙잡는 것일지 모른다. 개별 툴과 제품들은 끊임없이 나타났다가 사라지지만, 그 너머에는 반드시 더 근본적인 방향성이 숨어 있다. 지금의 AI 트렌드는 단순히 기능이 늘어나는 것이 아니라, 사고하는 방식·속도·형태·표현·협업·추론·물리적 구현까지 전방위적으로 변화를 일으키고 있다.

본 고에서는, 2025년을 휩쓴 기술의 진화의 흐름을 “깊게 생각하고, 빨라지고 작아지는 AI. 끼가 넘치고 대화로 업무를 함께 하며 인간의 사고방식을 지닌, 오프라인에서마저 똑똑한 로봇”이라는 축약된 문장으로 정리해보고 벌써 한 달이 훌쩍 지나버린 2026년의 변화들을 예측하고 받아들일 준비를 해본다.

1. “깊게 생각하고” — Reasoning/Thinking Models

AI가 단순 답변을 넘어 ‘생각하고 추론하는’ 단계로 진입했다. OpenAI의 o1·o3, Google Gemini 2.5 Pro, Anthropic Claude Opus 4처럼 생각하는 모델들은 복잡한 문제에서도 깊이 있는 답을 뽑아낸다. 거기에 DeepSeek의 R1 같은 오픈소스 모델이 o1 수준의 성능을 공개하면서, 연구자와 실무자들이 직접 ‘맞춤형 추론’을 손쉽게 실험할 수 있게 되었다.

이 변화는 단순히 기술적 진보라기보다 사유(思惟)의 탄생에 가깝고 본질은 속도보다 ‘머무름’에 있다. 예전의 AI는 최대한 빨리 답을 내놓는 데 초점이 맞춰져 있었다. 시험장에서 빠르게 정답만 찍어내는 우등생 같은 느낌이랄까. 그러나 지금의 AI는 눈을 감고 여러 갈래의 길을 더듬어 본다. ‘잠깐만, 한 번 더 생각해 보자’라는 과정이 추가되면서, AI는 더 복잡한 수학 문제를 풀고, 얽혀 있는 상황의 의도를 읽어내며, 장기적 계획을 세울 수 있게 됐다. 마치 체스를 두는 사람이 ‘만약 이 방향이라면 어떤 결과가 나올까’ 혹은 ‘저 길을 택한다면 어떤 위험이 있을까’ 고민하며 몇 수 앞을 내다보듯, 모델은 여러 경로를 상상하고 사고의 나무를 가지치기 하며 가장 설득력 있고 타당한 해법을 찾아낸다.

특히 눈에 띄는 점은, AI가 인간의 사고 과정을 닮은 다섯 단계의 사유 절차를 따르기 시작했다는 것이다. 먼저 생각 쪼개기(Decompose) 단계에서 문제를 작은 조각으로 나누어 단순화한다. 이어 실수 인지·수정(Error Fix) 단계에서 잘못된 계산이나 전제의 오류를 발견하고 곧장 고쳐나간다. 그래도 막히면 전략 변경 시도(Change Strategy) 단계로 들어가, 다른 각도나 방식으로 문제를 다시 바라본다. 그렇게 얻은 새로운 시도는 더 정교한 사고 흐름 구축(Refine Reasoning) 단계에서 한층 체계적인 논리로 다듬어진다. 마지막으로 추론 능력 향상(Improved Reasoning) 단계에 이르면, 결과적으로 더 강력하고 신뢰할 수 있는 결론이 완성된다.

이 일련의 과정은 마치 학생이 수학 문제를 풀면서, 식을 나누고, 실수를 지우고, 풀이 방식을 바꾸어가며, 점점 더 완성도 높은 답안을 만들어내는 모습과도 같다.

이러한 Reasoning/Thinking 모델의 도입은 실제 산업 현장에서 질적 도약을 가능하게 한다. 기존 모델이 단순히 지난 데이터를 회귀 분석하고 수치를 요양하는데 그쳤다면, 현재는 “향후 6개월간 원자재 가격이 어떻게 움직일까?”, “만약 금리가 지금보다 0.5% 상승한다면 어떤 산업이 가장 먼저 영향을 받을까?”와 같은 시뮬레이션성 질문을 AI에게 던질 수 있다. “만약 금리가 오르면 제조업은 이렇게 흔들리고, 에너지 기업은 이런 반사 이익을 얻을것이다” 같은 류의 AI가 해주는 설명은 단순한 답이 아니라 이야기 구조를 가진 추론의 결과이다. 또 연구자는 논문 요약에 그치지 않고, 서로 다른 분야의 연구 결과를 엮어 새로운 가설을 도출하는 데 도움을 받는다. “이 두 연구가 결합 된다면 어떤 새로운 가설을 세울 수 있을까?”. AI는 단순한 ‘비서’가 아니라, 논리적 동료이자 토론 파트너, 지적 동반자로 자리 잡고 역할을 해낸다.

더 흥미로운 점은, 이런 모델들이 사람처럼 완벽하지 않다는 사실이다. 사소한 계산 실수를 범하고, 생각하는 과정에서 틀린 길을 가기도 하고, 중간에 멈춰 서기도 한다. 하지만 그 자체가 오히려 신뢰성을 높인다. Reasoning 모델이 내어 놓는 답변 속에는 중간 과정과 추론의 맥락이 담겨 있다. 우리는 답이 틀리더라도 ‘왜 그렇게 생각했는지’ 과정을 따라가며 확인하고 잘못된 길을 고칠 수 있다. 이는 블랙박스라 불리던 기존 신경망과 달리, 설명 가능한 AI의 길을 열고 투명한 사고의 파트너로 나아가는 길이다.

앞으로 AI가 보여줄 ‘생각’은 점점 더 인간적인 색채를 띨 것이다. AI가 인간의 일하는 방식에 맞추는 시대의 시작이다. 우리는 더 이상 기계에 맞춰 질문을 단순화 할 필요가 없다. 어떤 모델은 시간을 오래 들여 곱씹 듯 추론할 것이고, 또 어떤 모델은 직관적으로 빠르게 결론을 낼 것이다. 이 차이들은 결국 ‘AI의 성격’이 되어, 사용자는 필요에 따라 깊이 있는 사색형 AI와 속도형 AI를 선택하게 될 것이다. 그것은 기술의 진보를 넘어, 인간과 기계가 함께 사유하는 새로운 문명의 합창이라 할 수 있다.

2. “빨라지고” — 1,500+ token/sec. Realtime Reasoning Infra

Cerebras가 DeepSeek R1-Distill-Llama-70B를 1,500 토큰/초 이상, GPU 대비 57배 이상 빠르게 처리하는 인프라를 공개했다. 이 말은 곧, 복잡한 분석 리포트를 단순히 기다릴 필요 없이 곧바로 대화형 응답으로 받을 수 있다는 뜻이다. 보고서가 로딩되는 시간이 사라지고, 계산이 끝날 때까지의 공백이 지워진다.

AI가 초당 1,500토큰의 생각을 흘려보내는 시대. 그것은 단순한 속도의 경쟁 또는 과시를 넘어, 사고의 순간을 공유하는 경험을 의미한다. 이제 우리는 기다리지 않는다. 질문과 답이 거의 동시에 울려 퍼지며, 인간과 기계는 같은 템포로 사고의 무대를 채운다. 이 무대 위에서, 빠른 AI는 우리의 현재를 실시간으로 확장하는 존재가 된다. 앞서, 깊게 생각하는 AI가 사용되어질 수 있는 것도 결론적으로는 속도다. 여기서 말하는 속도는 단순히 답변을 빨리 내놓는 정도가 아니라 ‘생각하는 속도’ 자체가 달라진 것이다. 그리고 마치 강물이 범람하듯 사고의 결과물들을 우리에게 흘려보낸다.

이 속도의 가치는 즉시성(instantaneity)에 있다. 우리는 다른사람과 대화할 때, 상대가 오래 침묵하면 답답함을 느낀다. 반대로 시선이 마주치는 순간, 대답이 바로 돌아오면 ‘소통’이라는 느낌이 강해진다. AI도 마찬가지다. 서비스로 연결되는 길은 무궁무진하다. 장문의 보고서를 바로 확인하고, 실시간 코드 리뷰를 진행하고, 수학적 증명을 즉각적으로 해내는 능력. 이제 사용자는 답변을 읽는 순간조차 AI와의 대화처럼 느낀다. 생각과 결과 사이의 시간차가 거의 사라진 것이다.

예를 들어 스포츠 중계를 떠올려 보자. 지금까지는 경기 영상을 분석하고 하이라이트를 생성하는 데 최소 몇 분의 지연이 있었다. 하지만 지금은 이야기가 다르다. 골이 터지는 순간, AI는 실시간으로 장면을 인식해 ‘이 골이 왜 결정적이었는지’를 해설과 함께 생성한다. 곧이어 관중의 환호, 선수의 움직임, 상대팀의 실수까지 종합한 짧은 하이라이트 클립이 즉시 SNS로 퍼져나간다.

감독과 해설진에게도 이 속도는 혁신이다. ‘방금 장면에서 미드필더가 선택할 수 있었던 다른 패스 루트는 무엇이었는가?’, ‘상대 수비가 어떤 순간에 허점을 드러냈는가?’ 같은 질문에, 기다림 없이 분석 리포트가 제공된다. 과거에는 경기 종료 후 데이터 팀이 일일이 정리해야 했던 정보가 선수들의 땀이 채 식기도 전에 실시간 피드백으로 도착한다.

이미 단순한 속도의 문제를 넘어섰다. 관객 경험 자체를 바꾸는 일이다. 팬은 방송을 보면서 즉석에서 전술 설명을 듣고, 동시에 자신이 응원하는 팀의 플레이를 새로운 각도로 이해하게 된다. 스포츠 중계는 더 이상 ‘보는 것’에 머물지 않고, ‘생각을 함께 경험하는 장’으로 확장된다.

기술적으로는 Speculative Decoding 같은 기법이 이를 가능하게 한다. 작은 모델이 미리 여러 갈래 답을 내다보고, 큰 모델이 그중 옳은 길만 즉시 확정하는 방식이다. 마치 조수들이 동시에 여러 초안을 써내고, 감독이 그중 가장 완성도 높은 대본을 순간적으로 고르는 풍경과 같다. 사고의 병렬화, 그리고 검증의 속도화가 합쳐져 지금의 ‘실시간 AI’를 만들어내고 있다.

속도는 곧 경험의 품질로 직결된다. 교육 현장에서 학생이 문제 풀이 과정을 묻자마자 AI 교사는 중간 단계를 설명해 준다. 기다림이 없으니 호기심이 끊기지 않는다. 게임 속 NPC도 플레이어의 행동에 지연 없는 반응을 보여주며, 진짜 동료처럼 살아 움직인다. 기업에서는 상담원이 고객을 붙잡아두는 시간이 사라지고, 디자이너는 말로 아이디어를 전하는 순간 곧바로 시각화된 시안을 받아본다. 프로토타입 제작과 피드백 루프는 시간 단위에서 순간 단위로 줄어든다.

이처럼 빠른 AI가 오히려 우리에게 새로운 리듬을 요구한다. 사람은 AI가 쏟아내는 수많은 문장을 놓치지 않고 읽어내야 하고, 그 속에서 필요한 결정을 즉시 내려야 한다. 그러나 바로 그 긴장감이, 인간과 AI가 같은 템포로 사고를 나누는 경험을 가능하게 한다.

3. “작아지는 AI” — SLM(작은 모델)의 역습

AI의 진화는 항상 ‘더 크고 더 복잡한 모델’의 이야기로 채워져 왔다. 파라미터 수가 수백억, 수천억에 이르며, 데이터센터 규모의 인프라를 삼켜버리는 괴물 같은 모델들. 그러나 최근의 흐름은 의외의 방향에서 일어난다. 바로 작은 모델(Small Language Model, SLM)의 부상이다. 거대한 성채 같은 모델들 사이에서, 경쾌하고 민첩한 작은 모델들이 역습을 시작한 것이다.

NVIDIA조차 이제는 단순히 LLM 기반 초거대 인프라만 강조하지 않는다. 오히려 “작은 모델이 에지 디바이스에서도 실시간으로 활용되는 세상”이 AI의 미래라 말한다. 물론 기존에 이미 쏟아부은 데이터센터 투자는 여전히 무겁게 남아 있지만, 기술의 방향은 분명하다. AI가 클라우드에서만 머무는 것이 아니라, 손 안의 장치와 현장의 기계 위로 내려오는 것이다.

이 흐름의 배경에는 여러 이유가 있다. 첫째, 비용이다. 대형 모델은 학습·운영에 천문학적인 전기를 먹는다. 하지만 작은 모델은 훨씬 적은 자원으로도 비슷한 맥락적 성능을 낼 수 있다. 다음으로는 네트워크 속도와 지연(latency)이다. 데이터를 서버로 보내고 다시 받아오는 시간은 때로는 치명적이다. 특히 자율주행, 의료 모니터링, 스포츠 중계처럼 실시간성이 절대적인 분야에서는 디바이스 안에서 바로 계산이 이루어져야 한다. 마지막으로 접근성이다. 대기업의 거대한 서버팜이 아닌, 개인의 휴대폰이나 기업의 현장 장비에서도 AI가 자연스럽게 작동해야 한다. 그래야 진짜 민주화가 이루어진다.

DeepSeek의 시도는 이 흐름을 잘 보여준다. 오픈소스로 공개된 Distill 모델들은 크기는 줄었지만 여전히 강력한 추론 능력을 발휘하며, 연구자들이 직접 원하는 환경에 맞게 최적화할 수 있도록 길을 열었다. 더 이상 연구실의 특권이 아니라, 누구나 손에 쥐고 다룰 수 있는 AI가 된 것이다.

실제 사례도 속속 등장한다. Microsoft의 Phi-3는 수십억 파라미터급 모델로도 번역, 요약, 코드 작성 등 일상적 업무를 훌륭히 해낸다. 의료 현장에서는 작은 비전 모델이 휴대형 장치에 탑재되어 즉석에서 영상 판독을 돕는다. 농업 현장에서는 드론에 실린 경량 모델이 밭의 질병을 즉시 탐지한다. 스포츠 경기장에서는 소형 GPU에 올린 SLM이 네트워크 끊김 없이 경기 상황을 파악하고, 실시간 통계와 전술 분석을 제공한다.

작은 모델의 시대. 그것은 단순한 유행이 아니라 필연이다. AI가 사람들의 일상 깊숙이 스며들려면, 모든 순간마다 거대한 서버를 불러내서는 안 된다. 눈앞의 카메라, 손에 든 스마트폰, 경기장의 로봇 카메라들이 그 자리에서 바로 작동해야 한다. AI는 이제 더 이상 ‘멀리 있는 거인’이 아니라, 곁에서 움직이는 ‘민첩한 동반자’여야 한다.

가능성은 명백하다. 대형 모델이 개척한 길 위에서, 작은 모델들은 경량화·전문화·온디바이스화를 통해 더 가까운 AI를 만들어낸다. 결국 미래는 양극화가 아니라 공존이다. 복잡한 연구와 거대한 계획에는 여전히 대형 모델이 필요하지만, 우리의 일상과 현장은 작은 모델들이 촘촘히 메워나갈 것이다. 거인의 어깨 위에 선 난쟁이처럼, 작은 모델의 역습은 AI를 더 인간적인 방향으로 확장시킬 것이다.

4. “끼가 넘치고” — Text-to-Video/Audio의 대중화

AI의 무대 위에 조명이 켜졌다. 텍스트 한 줄이 카메라와 조명, 배우와 감독을 대신하는 시대가 열린 것이다. Google Veo 3는 단 8초짜리 영상을 텍스트만으로 만들어내고, 그 위에 자동으로 사운드트랙까지 붙여준다. 단순히 가져다 붙이는 수준을 넘어 클래식 공연, 락공연, 댄스공연의 한 장면을 섬세하게 만들어낸다. 간단하게 속삭였더니, 곧장 영화적 장면이 눈앞에 펼쳐진다. 창작은 더 이상 전문 장비와 스태프의 전유물이 아니다. 누구나 스토리텔러가 될 수 있고, 그 상상은 몇 초 만에 스크린 위로 번역된다.

이 흐름은 단순히 짧은 영상의 호기심에서 끝나지 않는다. 이미 여러 기업과 기관들은 교육용 콘텐츠 제작에 AI를 본격적으로 투입하고 있다. 과거에는 수주 단위로 기획하고 촬영해야 했던 신입사원 교육 영상이, 이제는 며칠 만에 완성된다. 각 기업의 가치관과 업무 프로세스를 반영한 맞춤형 교육 콘텐츠를 AI 아바타가 전달한다. 글로벌 대기업들은 실제로 이런 방식을 도입해, 입사 첫날부터 신입사원에게 회사 철학, 보안 지침, 업무 매뉴얼을 AI 아바타 강사가 실감 나게 설명하는 온보딩 프로그램을 운영하고 있다. 직원들은 전 세계 어디에서 근무하든 동일한 품질의 교육을 받고, 현지 언어와 문화에 맞춘 맞춤형 콘텐츠까지 제공받는다.

광고 업계 역시 동일한 콘셉트의 영상을 수십 버전으로 빠르게 제작해 A/B 테스트를 거쳐 최적의 캠페인을 집행할 수 있다. 짧은 영상에서 긴 호흡의 내러티브, 그리고 실감 나는 아바타와 다국어 음성 지원으로의 확장은 이미 현실이 되었다.

이와 같은 변화의 배경에는 멀티모달 추론 모델이 자리한다. 텍스트, 이미지, 코드, 오디오를 동시에 다루며, 각각을 단일한 맥락 속에서 연결하는 능력이다. 여기에 더해, 이러한 모델을 기반으로 한 에이전트형 시스템은 기업의 핵심 전략으로 자리 잡고 있다. 마케팅 부서는 텍스트로 콘셉트를 입력하면 광고 영상, 분석 리포트, 고객 반응 예측까지 동시에 얻는다. 교육 부서는 신규 교육과정 설계, 강의 영상 제작, 평가 퀴즈 생성까지 일괄 지원받는다. 과거 여러 부서와 도구가 나눠 맡아야 했던 일이, 이제는 하나의 AI 파이프라인으로 통합되는 것이다.

결국 Text-to-Video/Audio의 대중화는 단순한 기술 트렌드가 아니다. 교육과 기업 문화, 그리고 사회적 신뢰를 동시에 바꾸어가는 힘이다. 우리는 지금, 영상 제작의 새로운 도구를 넘어 학습과 설득, 경험 전달의 새로운 언어를 맞이하고 있다.

물론 여기에는 윤리적 쟁점이 그림자처럼 따라붙는다. 실제 인물과 구분하기 어려운 아바타, 저작권 경계가 모호한 사운드트랙, 진짜와 가짜가 혼재하는 정보 환경과 같은 문제들은 콘텐츠 산업의 신뢰성과 교육의 진정성을 위협할 수 있다. 그러나 이 부분은 단순히 기술 발전의 부산물이 아니라, 앞으로 반드시 해결해야 할 사회적 과제다.

5. “대화로 업무를 함께 하며” — LLM-aided Workflow

AI는 이제 대화창 속의 장난감이 아니다. 불과 몇 해 전만 해도 챗봇은 “새로운 실험”쯤으로 여겨졌다. 그러나 지금은 다르다. 이메일, 메신저, 문서도구 같은 우리가 매일 사용하는 업무 환경 속에 이미 자연스럽게 스며들었다. Slack, Teams, Notion, Google Workspace 안에는 어느새 AI 비서가 들어와 있고, 연구실과 기업 현장에서도 AI는 단순한 보조자를 넘어 핵심 역할로 이동하고 있다. 챗봇은 더 이상 별도의 독립형 서비스가 아니다. 이제는 모든 툴에 기본으로 포함된 ‘기본 기능’이 되어가고 있다.

이 변화는 컴퓨터를 다루는 방식 자체를 바꾸고 있다. 과거에는 마우스를 클릭하고, 메뉴를 뒤지고, 명령어를 입력해야 했지만 이제는 대화 한 줄이면 된다. “데이터를 정리해줘”, “이 영상에서 자막을 자동으로 만들어줘”, “다음 회의용 슬라이드를 요약해줘.” 프로그래밍, 영상 편집, 데이터 분석까지도 말로 설명하면 실행되는 환경으로 변하고 있다. 이는 단순한 편리함을 넘어, 컴퓨터라는 도구를 인간의 언어에 맞추어 재설계하는 과정이다.

특히 눈에 띄는 건 회로 설계나 하드웨어 자동화 분야다. 과거라면 복잡한 도면과 전문 지식을 필요로 했던 설계 과정이, 이제는 추상화된 설명 한 줄로 단순화되고 있다. “센서를 추가해 데이터 흐름을 오른쪽 모듈에 연결해줘”라는 설명만으로도, 언어 모델이 자동으로 설계 초안을 완성한다. 이는 전문가의 손을 대체한다기보다, 전문가가 더 창의적인 단계에 집중할 수 있도록 돕는다. 언어라는 추상적 도구가 곧 설계의 인터페이스가 된 셈이다.

이미 우리는 그 초기 형태를 보고 있다. Google Workspace Duet AI는 이메일 답변, 문서 작성, 슬라이드 디자인을 대화로 처리하게 만들었고, Microsoft Copilot은 Excel에서 자연어로 데이터 패턴을 설명하면 곧바로 차트와 분석 결과를 보여준다. 포토샵(Adobe Firefly) 역시 “하늘을 석양으로 바꿔줘”, “입은 옷을 등산복으로 바꿔줘” 라는 한 줄 설명만으로 이미지를 실시간으로 수정한다. 버튼과 메뉴를 뒤지던 시간이 사라지고, 창작과 작업의 언어가 곧바로 실행으로 이어진다.

앞으로의 소프트웨어는 버튼보다 대화창이 중심이 될 것이다. 버튼은 정해진 기능을 불러오는 데에 머물지만, 대화창은 “무엇을 하고 싶은지”라는 본질적인 의도를 담아낸다. 우리는 점점 더 복잡한 이야기를 건네고, AI는 그 속에서 핵심을 추출해 명료한 답과 실행을 만들어낸다. 복잡한 문제를 길게 늘어놓아도, 그 끝에는 명확하게 다듬어진 무언가가 우리 앞에 놓인다.

이제 우리는 새로운 전환점에 서 있다. 과거의 컴퓨터 사용이 “도구를 배우는 과정”이었다면, 미래의 컴퓨터 사용은 “대화를 통해 원하는 결과를 얻는 과정”이 될 것이다. AI는 더 이상 특별한 프로그램이 아니라, 우리가 열어보는 모든 창 속에 이미 함께 들어와 있는 보이지 않는 동료다. 그리고 그 동료는 단순히 묻는 말에 대답하는 수준을 넘어, 일을 함께 설계하고 실행하는 파트너가 되어가고 있다.

6. “인간의 사고방식을 지닌” — Neuro-Symbolic Hybrid

AI의 진화는 늘 극단의 두 축 사이를 오갔다. 한쪽에는 방대한 데이터를 흡수하며 직관적으로 패턴을 학습하는 뉴럴 네트워크(Neural Network)가 있고, 다른 한쪽에는 규칙과 논리를 기반으로 “왜?”를 따지는 심볼릭 AI(Symbolic AI)가 있다. 오랫동안 이 둘은 서로 다른 길을 걸어왔다. 그러나 최근의 흐름은 이 두 축을 하나로 엮는 시도에 집중한다. 그것이 바로 Neuro-Symbolic Hybrid, 인간의 사고방식과 가장 닮은 새로운 패러다임이다.

Neuro-Symbolic AI는 뉴럴 네트워크의 학습 능력과 심볼릭 AI의 논리·추론 능력을 결합하여, 직관과 논리를 동시에 활용할 수 있는 시스템을 구현한다. 데이터에서 패턴을 감지하는 능력과, 그 위에 규칙과 의미를 부여하는 능력이 동시에 작동하는 셈이다.

예를 들어 이미지를 인식하는 상황을 떠올려보자. 사진 속 사과를 인식하는 일은 뉴럴 네트워크의 몫이다. 그러나 “사과는 나무에서 자라며, 과일 바구니에는 사과가 여러 개 있을 수 있다”라는 관계와 규칙을 이해하는 것은 심볼릭 엔진이 잘하는 일이다. “이미지 속 객체 인식은 뉴럴 시스템이, 그 관계나 규칙 기반 추론은 심볼릭 엔진이 처리하며, 이 둘이 협업하여 더 정확하고 설명 가능한 결과를 만들어낸다.

MIT-IBM Watson AI Lab은 CLEVR 데이터셋(복잡한 장면에서 사물의 관계를 묻는 시각적 질의응답) 문제에서 뉴럴 네트워크만 사용했을 때보다, 뉴로-심볼릭 접근을 활용했을 때 정확도가 크게 향상됨을 보여주었다. 뉴럴 모델은 장면 속 사물을 잘 찾아내지만, “빨간 구체 오른쪽에 있는 작은 큐브”처럼 규칙적 추론이 필요한 질문에서는 자주 실수한다. 그러나 심볼릭 추론 모듈을 결합하면, 이런 복잡한 질의에도 흔들림 없이 답할 수 있다. 즉, 직관적 인식과 논리적 해석이 결합했을 때 비로소 ‘설명 가능한 AI’가 가능해진다.

산업 현장에서도 이 흐름은 빛을 발한다. 자율주행차는 보행자, 차량, 신호등을 감지하는 뉴럴 네트워크와, “빨간불일 때 멈춰라” 같은 규칙을 처리하는 심볼릭 시스템의 협업 덕분에 안전성이 높아진다. 의료 진단에서도 X-ray 이미지를 분석하는 뉴럴 네트워크 위에, 병리 규칙과 임상 지식을 적용하는 심볼릭 모듈이 덧붙어 더 신뢰할 수 있는 결과를 제공한다.

그리고 이 원리는 스포츠 중계를 자동으로 만들어가는 과정에서도 똑같이 작동한다. 경기장 카메라가 선수와 공의 위치를 추적하는 것은 뉴럴 네트워크가 탁월하다. 그러나 “공이 골라인을 완전히 넘었을 때 득점으로 인정한다”, “페널티 아크 안에서 반칙이 발생하면 페널티킥”이라는 규칙적 판단은 심볼릭 시스템이 강하다. 두 기술이 결합하면 단순히 ‘무엇이 일어났는가’를 감지하는 데서 끝나지 않고, ‘왜 그 장면이 중요한가’를 설명할 수 있는 중계가 가능해진다. 예를 들어 하이라이트 자동 생성에서, AI는 단순히 슛 장면을 모으는 데 그치지 않고 “이 장면이 경기의 전환점이 된 이유”를 규칙 기반 맥락으로 해설할 수 있다. 팬은 단순히 영상을 보는 것을 넘어, 경기의 맥락과 의미까지 이해하게 된다.

나아가 심판 보조 역할로도 주목받고 있다. 예를 들어, 뉴럴 네트워크는 공의 궤적과 선수의 움직임을 빠르게 감지하고, 심볼릭 시스템은 “팔꿈치 접촉이 파울 규정에 해당하는가?”, “골라인을 완전히 넘었는가?” 같은 규칙적 판단을 적용한다. 이는 단순한 반복 검출을 넘어서, 규칙 해석까지 포함한 신뢰 가능한 판정 지원을 가능하게 한다.

결국, Neuro-Symbolic Hybrid는 인간의 사고 방식에 가장 가까운 길을 모색한다. 우리는 세상을 직관으로 바라보면서도, 동시에 규칙과 논리로 정리한다. 아이가 “저건 강아지야”라고 알아보는 것은 직관이고, “강아지는 포유류다”라고 분류하는 것은 논리다. AI 역시 같은 길을 걸으며, 단순히 답을 내놓는 존재가 아니라, 그 답의 맥락과 이유를 함께 설명하는 파트너로 성장하고 있다.

7. “오프라인에서마저 똑똑한 로봇” — On-Device Robotics

AI는 그동안 늘 ‘연결’을 전제로 작동해왔다. 거대한 데이터센터와의 통신, 클라우드 기반의 연산이 필수였다. 하지만 네트워크는 언제나 안정적인 것이 아니다. 와이파이가 끊기거나, 인터넷이 닿지 않는 공간에서는 AI의 똑똑함도 무력해졌다. 이제 새로운 흐름은 연결을 끊어도 여전히 똑똑한 로봇을 지향한다.

DeepMind의 Gemini Robotics On-Device 모델은 인터넷 연결 없이도 로봇이 즉시 추론하고 조작할 수 있는 온디바이스 AI를 구현해냈다. 클라우드에 물어보지 않고도, 로봇은 눈앞의 상황을 해석하고 바로 행동에 옮긴다. 이 로봇들은 가방 지퍼 열기, 옷 접기 등 섬세한 작업을 인터넷 없이도 수행하며, 지연 없는 실시간 반응성을 갖추고 있다고 소개한다. 사람과 마찬가지로 현장에서 스스로 판단하고 움직일 수 있는 지능이 로봇 안에 직접 담긴 것이다.

NVIDIA의 CEO 젠슨 황은 2025년 초 <Physical AI>를 공식 화두로 제시하며, AI가 더 이상 화면 속의 지능이 아니라 현실 세계에서 몸을 가진 지능으로 확장될 것임을 천명한 바 있다. 이 흐름은 앞서 이야기한 SLM(작은 모델)의 역습과 정확히 맞닿아 있다. 작은 모델은 메모리·전력 소모가 적어, 로봇이나 드론 같은 경량 하드웨어에도 쉽게 탑재된다. 예컨대 청소 로봇은 집 안의 지도를 학습한 뒤 클라우드와 단절된 상태에서도 장애물을 피하며 움직이고, 드론은 농업 현장에서 네트워크가 끊겨도 해충을 인식하고 방제 작업을 이어간다. SLM 덕분에 로봇은 더 이상 ‘클라우드가 있어야만 똑똑한 기계’가 아니라, 현장에서 바로 반응하는 자율적 동료가 된다.

더 나아가, 온디바이스 방식은 에너지 절약이라는 중요한 덕목도 품고 있다. 클라우드와의 반복적 데이터 전송을 줄이고, 현장에서 경량 모델로 처리하기 때문에 전력 소모가 크게 줄어든다. 이는 단순히 효율성의 문제가 아니라, 기업들이 요구받는 ESG(Environmental, Social, Governance) 조건과도 직결된다. 친환경적이고 지속 가능한 방식으로 AI를 운영할 수 있다는 점에서, 온디바이스 로보틱스는 기술 발전과 사회적 책임을 동시에 충족시키는 길을 보여준다.

온디바이스 로보틱스는 결국 AI의 독립성과 지속 가능성을 함께 상징한다. 연결된 세상에서만 유용한 존재가 아니라, 연결이 끊겨도 여전히 자율적이고 똑똑하며, 에너지까지 아끼는 파트너로 남는다. 이것은 우리가 ‘언제 어디서든, 더 책임감 있게 함께할 수 있는 지능’을 가진 세상을 맞이하고 있음을 보여준다.

2026년을 준비하는 현실적인 전략

앞서 살펴본 혁신의 흐름들은 한 방향으로 수렴한다. AI는 더 이상 스크린 속 지능이 아니라, 우리의 삶과 산업을 가로지르는 새로운 인프라가 되고 있다. 그것은 소프트웨어이자 로봇이고, 비서이자 파트너이며, 창작자이자 설계자다.

우리는 또한, 지금, “기술”이라는 단어로는 다 담기지 않는 전환기에 서 있다. 이 시대의 AI는 단순한 도구가 아니라, 인류가 사고하고, 일하고, 창작하고, 움직이는 방식 전체를 다시 짜는 거대한 힘이다.

2026년은 아마도 “더 놀라운 기술이 등장하는 해”라기보다, AI가 더 조용히 깊숙이 스며드는 해가 될 가능성이 크다. 눈을 번쩍 뜨게 만드는 데모보다는, 어느 순간 돌아보니 이미 일의 방식이 바뀌어 있는 장면이 많아질 것이다. 회의는 더 짧아지고, 의사결정은 더 빨라지며, 사람은 반복 업무에서 한 발 물러나 판단과 책임의 자리에 서게 된다. AI는 앞에 나서서 박수를 받기보다는, 뒤에서 묵묵히 사고의 속도를 맞추는 조력자로 기능할 것이다. 기술의 존재감이 줄어들수록, 그 영향력은 오히려 더 커진다.

동시에 2026년은 ‘무엇을 만들 수 있는가’보다 ‘무엇을 맡길 것인가’를 결정하는 해가 될 것이다. 모든 것을 AI로 대체할 수 있는 시대가 아니라, 어디까지를 인간의 판단으로 남길 것인지에 대한 사회적 합의가 본격적으로 요구되는 시점이다. 빠르고 영리한 AI가 늘어날수록, 느리고 불완전한 인간의 선택은 더 큰 의미를 갖는다. 그래서 기술 경쟁력만큼이나 중요한 것은, AI를 대하는 조직과 개인의 태도다. 잘 쓰는 사람보다, 잘 설계하는 사람이 필요해진다.

결국 2026년을 준비하는 가장 현실적인 전략은 하나다. 도구를 좇기보다 사고 방식을 갱신하는 것. AI가 대신 생각해주는 시대가 아니라, AI와 함께 생각하는 시대를 받아들이는 것이다. 질문을 던지는 방식, 문제를 정의하는 언어, 결과를 해석하고 책임지는 자세까지 — 이 모든 것이 새롭게 재편되고 있다. 변화는 이미 시작되었고, 속도는 늦추지 않을 것이다. 다만 분명한 점은 하나다. 이 전환의 한가운데에서, 인간은 여전히 결정권자이며, 방향을 정하는 존재라는 사실이다. 그리고 2026년은 그 사실을 가장 또렷하게 확인하게 될 해가 될 것이다.

클로드코드로 1인 회사 세우는 법

K. Martin — Mon, 4 Aug 2025 20:00:31 +0900

마틴테크

마틴테크라는 사업체를 운영했던 때가 있었다. 개인사업자였고, 사실 회사의 개념보다는 다른 회사에 강의나 소소한 일을 처리해 주면서 받는 비용을, 개인 용역으로 돌리기엔 상대 회사 담당자의 부담이 커진다는 부탁에 등 떠밀려 사업자등록을 한 게 시작이었다. 제법 오랜 기간 동안 운영을 하면서 일도 많이 하고 돈도 많이 벌었지만, 그저 마틴이라는 자아 그대로의 이름으로 ‘사업자’가 된 것일 뿐 ‘회사’라는 이름으로 포장할 그 외 무엇도 없었다. 그나마도 부가세 신고니, 비용처리 하는 게 복잡하다는 이유로 결국은 폐업신고를 하는 것으로 마무리했으니 말이다.

MBA를 시작하게 된 계기는, 나도 결국은 사업을 하게 될 수 밖에 없을 것이라는 불안감이 50이었다고 고백한다. 그리고 학교 안팎에서 만난 사람들에게 추천을 받고, 제안을 받고, 격려와 응원을 받아 회사를 운영해 볼까 수십 번을 생각했다가도, 어쨌든 일이라는 건 나 혼자 하는 일이 아니지 않나.

창업은 팀의 영역이라는 생각이다. 코딩이야 혼자 하겠지만, 아이디어부터 제품 기획, UX/UI 디자인, 백엔드 개발, 시장조사와 마케팅 전략수립까지 혼자서 모든 일을 수행하는 것은 불가능에 가깝다고 본다. 시작도 해보기 전에 들은 것만 많아서, 겁만 잔뜩 먹고는 더더욱 한 발 내딛는게 쉽지 않다.

코딩 에이전트

앞서 ‘코딩이야 혼자 하겠지만’이라고 자신있게 이야기 한 이유는, 현업에서 코딩 AI가 더 이상 호기심 대상이 아닌 실질적 생산력 도구로 이미 자리 잡고 있기 때문이다. 대부분의 개발자가 코딩 에이전트의 도움을 받고 있는 시대, 바야흐로 연간 수백만 원 수준의 토큰 비용으로도 개인 개발자들이 기업처럼 움직일 수 있는 시대를 살고 있다. 특히 중급 개발자들 이상은, 복잡한 멀티파일 리팩터링이나 기능 구현을 처리할 수 있는 기술적 완성도를 기반으로 직원 한두 명 수준의 역량을 대체하거나 보조받으면서 복잡한 앱도 혼자 설계하고 배포할 수 있는 팀 수준의 자동화를 경험하고 있다.

CLI(Command Line Interface) 기반의 에이전트 코딩 도구들은 터미널만으로 코드 생성, 리팩터링, 테스트 등을 자동화하는 인터페이스를 제공한다. 예를 들어 Claude Code, Codex CLI, Gemini CLI, Aider 같은 툴들이 대표적인데, 이들 각각은 Anthropic의 Claude, OpenAI의 Codex, Google Gemini, Mistral 기반 모델 등과 연결되어 작동한다.

통합 개발환경을 내장하고 있는 에이전트들로 GitHub Copilot, Cursor, Windsurf 등은 코드 에디터 안에서 도움을 주고, 프롬프트 기반 앱 빌더인 Bolt, Lovable, v0.dev 등은 자연어로 앱을 만들 수 있게 도와준다.

이 중 클로드코드(Claude Code, https://claude.ai)는 특히 자연어 기반 논리적 사고와 멀티스텝 작업에 강한 에이전트이다. 특히 Claude Opus 4는 장시간 작업에 강하며 SWE‑bench 72.5%의 성능을 기록해 “세계 최고 코딩 모델”로 평가받고 있다.

우측 이미지를 보면 어떤식으로 사용하는지 잘 알 수 있다. “Python으로 리스트를 정렬하는 함수를 작성해 줘”라고 하면 저렇게 코드를 작성해 준다. 코드베이스 개요 파악을 위해서는, “이 코드베이스의 개요를 알려줘”, “여기서 사용된 주요 아키텍처 패턴은 무엇인가요?”, “주요 데이터 모델을 설명해 줘” 같은 프롬프트를 사용하고, “사용자 인증을 처리하는 파일들을 찾아줘”, “이 인증 파일들이 어떻게 함께 작동하는지 알려줘”, “프런트엔드에서 데이터베이스까지 로그인 프로세스를 추적해 줘” 등의 프롬프트를 통해 원하는 코드를 쉽게 찾을 수도 있다. 오류를 진단하고, 테스트 작업을 개선하고, 개발한 코드들에 자동으로 주석을 달고 문서화하는 작업도 자동화한다. (출처: https://www.magicaiprompts.com/docs/claude/)

클로드코드를 사용하면서 자주 사용되는 명령 (빌드, 테스트, 린트), 코드 스타일 선호도 및 명명 규칙, 프로젝트에 특화된 중요 아키텍처 패턴 등은 claude.md 파일에 정의할 수 있다. 이를 통해 개발자는 AI에게 간단한 함수를 작성해달라고 요청하는 것을 넘어, 프로젝트의 콘텍스트, 아키텍처 및 역사를 이해하는 AI에이전트(Agents)와 협력하는 것이 가능하다. 클로드 코드에서는 이러한 에이전트가 자동으로 활성화되어, 사용자가 작업을 설명하기만 해도 적절한 에이전트가 자동으로 실행된다. 특정 에이전트를 직접 호출하고 싶다면 에이전트 이름을 명시해도 된다.

또한 클라우드코드에서는 특정 작업에 맞춰 커스터마이징된 AI 보조 도우미(Sub-Agent)를 생성해, 복잡한 문제, 작업별 워크플로우를 더 효율적이고 전문적으로 해결하고 관리하고, 문맥(Context) 관리도 향상할 수 있도록 도와준다. (https://docs.anthropic.com/en/docs/claude-code/sub-agents)

클로드코드, 나의 동료가 되어줘

다시 1인 창업 이야기로 돌아와서, 혼자서 스타트업을 운영하려면 마치 서커스단처럼 여러 역할을 동시에 소화해야 한다는 생각이다. 그래서 더 주춤하게 되는 것 같기도 하고. 그런 내게 도움을 줄 동료들을 찾아야한다.

며칠 전 알게 된, Studio AI Agents Github 레포지토리 (https://github.com/contains-studio/agents.git)는 한꺼번에 많은 동료들을 한꺼번에 얻게 된 멋진 경험을 선사했다.

여기 포함 된 디자인, 엔지니어링, 마케팅, 제품, 프로젝트, 운영, 테스팅 등 역할별 동료들을 .claude/agents/ 디렉터리에 넣어 두면 각각 자동 탐지되어 명령만으로 적절한 역할로 과업을 분배해 준다.

예를들어, 나만의 여행앱을 개발하고 싶다고 가정해 보자. 나는 여행에서 얻었던 감흥과 경험을 추천하고 싶고 그런 추억을 공유하는 것으로 사업이 하고 싶다는 방향성만 가지고 있다고 말이다.

CLI에 간단히 명령어를 입력한다.

claude agents activate rapid-prototyper "나만의 여행지 추천 앱 설계하고 MVP 구현해줘"

그러면, rapid-prototyper 에이전트가 자동으로 초기 앱 구조, 추천 알고리즘, 간단한 프런트엔드 디자인을 포함한 MVP를 몇 분 내에 생성하여 GitHub 리포지토리에 푸시한다. 다음 단계로 사용자 경험 개선이 필요하다면,

claude agents activate ux-researcher "여행 앱 UX 개선점을 분석해줘"

라고 명령어를 입력하고, ux-researcher 에이전트가 앱의 UI/UX를 검토하여 개선 포인트와 구체적인 수정 제안이 담긴 문서를 제공받아 볼 수 있다. 이러한 방식으로 단 몇 줄의 명령만으로도, 개인이 수백 시간 동안 할 일을 수십 분 만에 해결할 수 있게 된다.

이 에이전트들의 조합은 단순히 프로그래밍을 자동화하는 수준을 넘어 마케팅 콘텐츠 제작, 트렌드 분석, 피드백 관리까지 다양한 에이전트를 제공한다. 예를 들어,

claude agents activate tiktok-strategist "여행 앱을 위한 틱톡 마케팅 전략 수립해줘"

라고 명령어를 입력하면, tiktok-strategist 에이전트가 효과적인 콘텐츠 아이디어와 업로드 일정, 주요 해시태그까지 상세히 제공하여 개인 창업자의 마케팅 전략을 자동화할 수 있다.

이처럼 rapid‑prototyper, ux‑researcher, growth‑hacker, test‑writer 동료들이 각자 일을 나눠 하기 시작하면 나는 아이디어만 전달하고 관리의 감각만 유지하면 된다. 이렇게 AI를 동반자로 삼으면, 한 사람이 열 팀처럼 움직이고, 시장 피드백을 빠르게 반영하며, 고객이 원하는 방향으로 유연하게 피벗 할 수 있다는 생각이다.

동료의 속을 들여다보다

이쯤 되면 이러한 동료의 속이 궁금하다. GitHub에 공개된 contains-studio/agents 저장소에 따르면, 모든 에이전트는 .md (마크다운) 형태의 파일로 구성되어 있다. 즉, marketing/tiktok-strategist.md 파일 하나가 tiktok-strategist 에이전트의 구성 전체라고 볼 수 있다.

이 파일에는, 이 동료에게 TikTok 마케팅 전략 수립, 바이럴 콘텐츠 아이디어 개발, 캠페인 계획, 알고리즘 최적화 전문가로서의 역할을 부여하고 전략을 지시하고 있다. 예를 들어, 인플루언서 협업 전략에는 1만~10만 팔로워 규모의 마이크로 인플루언서 발굴을 발굴하고 창의적 자유를 주는 협업 브리프 제작하며, 자연스러운 홍보를 위한 제품 전달 전략을 짜고 인플루언서와의 공동 창작 기회 제공하며 허영 지표를 넘어 실제 ROI 측정하라는 지시가 담겨 있다. 회사에서 동료를 구할 때 ‘아~! 틱톡 마케팅 잘하는 사람 뽑고 싶다’가 아니라 이렇게 구체적인 JD(Job Description)를 가지고 역할에 대한 고민이 있었다면 좋았을 텐데 하는 마음은 뜬금없는 아쉬움은 아닐 것이다.

또한, 지켜야 될 원칙들도 명확한데 예를 들어, 콘텐츠 핵심 원칙은 재미를 우선으로 하되 고객의 고통점 극대화하여 문제를 강조하고 실제 사용자 후기를 기반으로 사회적 증거를 제시한다던지, 앱 활용 팁등을 제공하는 교육적 접근을 한다는 식의 원칙이 작성되어 있다. 또, 피해야 할 실수로는 억지로 멋있어 보이기, 부정적 댓글 무시하기, 인스타그램 릴스 재업로드, 유행 지난 밈과 사운드 사용 등이 강조되어 있다. 내 동료가 이런 많은 것들에 대해 원칙을 가지고 일을 한다고 생각하니 얼마나 든든한 일인가.

나와 같은 역할을 해줄, ai-engineer 동료의 모습도 살펴본다. AI 및 머신러닝 기능 구현, 언어 모델 통합, 추천 시스템 구축, 앱의 지능형 자동화 구현을 전문으로 담당하는데 이미 나의 능력을 넘어섰다. 언어 모델(LLM) 통합 및 프롬프트 엔지니어링 측면에서는 일관된 결과를 위한 효과적인 프롬프트 설계, 사용자 경험 향상을 위한 스트리밍 응답 구현, 토큰 한도와 콘텍스트 관리, AI 오류에 대한 견고한 처리 로직 구축, 비용 효율을 위한 의미 기반 캐싱 시스템 도입에 필요시엔 모델의 미세 조정 까지도 그 역할로 부여받고 있다.

컴퓨터 비전(Computer Vision) 구현 업무에서는 사전 훈련된 비전 모델 통합, 이미지 분류 및 객체 탐지 기능 구현, 시각적 검색 시스템 구축, 모바일 환경에 최적화된 기능 개발 등의 역할을 하고 AI 인프라 및 최적화를 담당하는 동료로서 모델 서빙(Serving) 인프라 구축, 추론(Inference) 지연시간 최적화, GPU 자원 효율적 관리, 모델 버전 관리 시스템 구축 그리고 오류 시 대체(fallback) 메커니즘 구현 및 프로덕션 환경에서 모델 성능 모니터링 역할도 충실하게 하는 다재다능한 동료다.

업무의 목표도 명확하다. 추론 지연시간 200ms 이하 유지, 사용 사례별 모델 정확도 목표 달성, API 성공률 99.9% 이상 유지, 예측당 비용 관리, AI 기능 사용자 참여도 분석 등 빠르고 효율적으로 AI를 앱에 도입해 사용자가 실질적인 혜택을 누릴 수 있게 하는 모든 방향들을 고려하며 동시에 성능과 비용 효율성까지 관리하는 현실적이고 강력한 동료를 제공받는 셈이다.

다른 의미로, 이것은 내가 상상하는 동료를 내가 정의하고 내가 만들 수 있음을 의미한다. 벌써, 커뮤니티 기반 저장소 (anime‑claude, rahulvrane/awesome‑claude‑agents 등)에서 점점 더 다양한 역할의 에이전트들이 등장하며 그 수가 늘어나고 있고, 여러 sub‑agent가 협업하며 복잡한 플로우를 처리하는 오케스트레이션(orchestration) 사례 또한 꾸준히 보고 되고 있다. 같은 일을 처리하는 다른 에이전트들의 조합으로 또 가까운 미래에는 유능한 동료를 가려내고 평가해야 하는 것들을 고민하게 될지도 모르겠다. 물론 그때는, 동료들 중에 인사관리 전문가도 필요하겠다.

AI와의 협업, 1인 기업의 미래를 열다

AI 에이전트 덕분에 개인은 기업 수준의 효율과 품질을 유지할 수 있을 것이라고 본다. 혼자서도 더 큰 꿈을 꿀 수 있고, 더 빠르게 시장의 변화에 대응할 수 있겠다. 클로드코드를 활용하면 마치 보이지 않는 팀이 컴퓨터 안에서 일하는 듯한 신기한 경험을 하게 된다. “내 스타트업 팀원은 전기만 있으면 되고, 점심 메뉴 걱정도 필요 없다!” (점심 메뉴 고민해 주는 비서 동료도 구해야겠군. 웃음)

나는 과연, 이 전기 먹는 동료들의 도움을 통해, 그 어려운 도전에 대한 마음을 먹을 수 있을까? 1인 스타트업의 CEO라. 괜히, 다시, 마음이 몽글몽글해져 본다.

미래 지향적인 AI 규제: 혁신과 윤리의 균형

K. Martin — Thu, 5 Oct 2023 21:44:34 +0900

사진 : 샘알트먼 미 상원 법제사법위원회 청문회 중에서

넷플릭스 미국 정치 드라마의 한 장면인가 싶은 이 장면은, 2023년 5월 16일 미 상원 법제사법위원회에서 처음으로 열린 인공지능(AI) 청문회에 출석한 ChatGPT의 창시자인 OpenAI의 최고경영자 샘알트먼의 모습이다. 이 자리에서 알트먼은 “OpenAI는 AI가 우리 삶의 거의 모든 측면을 개선할 것이란 믿음으로 설립됐지만 동시에 심각한 위험도 존재한다”라면서 “이 기술이 잘못되면 상당히 잘못될 수 있다고 생각한다. 그런 일이 일어나지 않도록 목소리를 내고, 정부와 협력하고 싶다”라고 밝혔다[1].
‘딥러닝의 아버지’로 불리는 제프리 힌턴도 구글을 떠나며 ”‘더 철학적인 일’에 시간을 투자하고 싶다. 그 철학적인 일은 AI가 재앙이 될 수 있다는 작지만 매우 현실적인 위험에 집중하는 것이다“라며 ”AI가 구글의 사업과 어떻게 상호작용하는 걱정할 필요 없이 AI의 안전문제에 대해 말하고 싶다“라고 뜻을 전한 바 있다[2].
본 기고에서는, ‘미래 지향적인 AI 규제: 혁신과 윤리의 균형’을 주제로 기술의 발전과 혁신을 방해하지 않으면서도 AI 기술 규제를 어떻게 적절히 할 수 있을지 미국과 유럽 등 글로벌 동향과 기준에 대해 살펴본다. 입법 과정에서 확보되어야 할 인공지능의 공정성(Fairness), 책임성(Accounta bility), 투명성(Transparency) 및 윤리의식(Ethics) 요소(일명, FATE)[4] 각각에 대한 고려 사항과 이를 산업으로 바라보고 여러 산업 부분에서 AI 기술을 적용하는데 필요한 각기 다른 규제에 대해 함께 고민해 보고자 한다.

기술 발전의 선두주자, 미국
  미국은 인공지능 기술 발전의 선두 주자답게 AI 규제에 대한 논의가 활발히 이루어지고 있다. AI 위험관리 체계 보완을 위한 온라인 센터인 AI리소스센터(Trustworthy and Responsible AI Resource Center)를 설립[5]하고 AI 위험 관리 및 편향성 완화를 위해 지속적으로 노력하고 있으며, 정책적으로는 AI의 잠재적 위험을 인식하고 있지만, AI의 발전을 저해하지 않는 선에서 규제해야 한다는 태도를 가지며, 규제의 원칙으로 공정성, 책임성, 투명성, 안정성, 보안 등을 제시하는 다양한 법안을 제안하고 있다.
  미국의 행보 중 눈에 띄는 것은, AI의 특성에 따라 다양한 규제 방법을 적용하는 계획으로, 예를 들어 자율주행차는 교통안전 행정부(NHTSA)가 도로교통법에 따라, 얼굴인식 기술은 개인정보 보호법(GDPR)에 따라, 의료 진단/예방/치료 등은 식품의약국(FDA)의 의료기기 및 의료 소프트웨어 법에 따라 규제하도록 하고 있으며 이 외에도 딥페이크(deep fake)나 AI기반 의사결정 도구들에 대한 규제 법안을 제정하고 규제 기관을 감독하는 등의 방법을 적용하고 있다.
  발의 된 법안들도 매우 구체적인데, 예를 들어 알고리즘을 개발/배포하는 일정 기준 이상의 기업은 자동화된 의사결정 시스템과 그 시스템을 중요한 의사결정에 활용하는 과정에 대해 소비자에게 미치는 영향을 평가하도록 하여 투명성과 책임성을 부과한다거나, 소프트웨어의 업데이트가 있을 때 데이터의 유지 및 보관, 소비자의 권리 및 소비자에 대한 부정적 영향을 완화하는 방안에 대한 평가까지 이루어져야 하고 이를 보고해야 한다는 식이다. 또한 이들의 AI 규제의 방향과 내용은 AI 기술의 발전과 사회적 요구에 따라 계속해서 적응하고 발전해 나갈 것으로 예상된다.

통일된 규범을 준수하는 EU
  유럽의회는 최근 유럽연합 27개국의 인공지능 기술을 규제하는 포괄적인 주요 규칙에 대한 법안을 통과[6]시키며 개별국과의 최종 협상이 마무리 되면 2026년부터 시행될 수 있도록 빠르게 움직이고 있다.
  EU의 인공지능 법안의 특징은 인간 중심의 접근을 위하여 인간에 의한 감독, 기술적 견고성과 안전성, 프라이버시 및 데이터 거버넌스, 투명성, 다양성/비차별성/공정성, 사회 및 환경복지를 인공지능이 준수하여야 할 일반 원칙으로 제시하고 있으며 이에 기반하여 사람의 안전, 생계, 권리에 명백한 위협으로 간주되는 인공지능 시스템은 금지하고 고위험에 해당하는 인공지능 시스템에는 위험관리 시스템 운영, 위험과 차별 결과를 최소화하는 데이터 마련, 결과의 추적성을 보장하기 위한 자동 로그 생성, 위험에 대한 정보 제공 등 의무를 부여하고 있다.
  이러한 법에 따라 금지되는 서비스 분류는 예측적 치안(영화 마이너리티리포트에서 나오는 범죄 예측) 도구, 얼굴인식 DB 구축을 위해 인터넷이나 CCTV 영상에서 얼굴 이미지를 목적 없이 스크랩하는 행위, 사람을 판단하고 개인의 사회적 행위 등을 평가 또는 점수화 하는 소셜 스코어링, 민감한 특성(성별, 인종, 민족, 시민권 상태, 종교, 정치적 성향)을 사용하는 생체 인식 분류 등이 포함되며 협조하지 않을 경우 해당 기업은 연간 글로벌 매출의 6%에 해당하는 벌금을 부과 받게 된다는 것이 법안의 내용이다.
  이를 통해 유럽에서 개발되고 사용되는 AI가 인간 중심적이고 신뢰할 수 있는 AI의 활용을 촉진하고 유해한 영향으로부터 건강, 안전, 기본권 및 민주주의를 보호하는 것을 목표로 한다. 협상 과정에서 어떤 내용들이 변경되는지에 따라 각 국가별 정부 또는 산업 내에서의 지향이 어떻게 다른지 비교해 살펴볼 좋은 기회가 되겠다.

인공지능의 FATE
  앞서 살펴본 두 사례에서 보듯 인공지능은 이미 사회적 영향을 고려하여 적절히 발전하고 사용되어야 하는 대상이 되어있고 사용자와 사회에 신뢰를 줄 수 있어야 한다는 점에서도 결을 같이 하는 것으로 보인다. 또한 이를 위한 주요 가이드라인으로 내세우는 원칙들도 공정성, 책임성, 투명성, 윤리의식에 대한 내용으로 각각 세부적인 예시와 함께 명확하게 정리된다.

1) 공정성(Fairness)
  인공지능은 인간이 생산해 낸 각종 데이터를 이용하여 학습이 진행되어 인간이 가지고 있는 편향과 차별을 답습하여 불평등을 재생산할 수 있다. 예를 들어, 병원에서 사용하는 인공지능 알고리즘이 치료 우선순위를 결정하는 과정에서 백인 환자의 치료 순서를 흑인 환자에 비해 우선하여 배정하는 편향, 채용시스템이 지원자를 차등적으로 판단하여 개발자, 엔지니어 직군에 남성을 더 선호하는 차별, 심지어 최근 이미지 생성 알고리즘들도 커피를 들고 선글라스를 쓴 여성은 백인으로, 거리에서 음식을 팔고 있는 여성은 유색인으로 그리는 등 학습 결과물이 기존의 편향을 반영하는 단점들은 개인과 조직, 사회에 대한 부정적 영향을 증폭하고 영속시킬 수 있다는 우려[7]를 뒷받침한다.
  인공지능을 현실로부터 분리하여 설계/개발/배포할 수는 없으므로 차별과 불평등, 편향을 측정해 내는 기술적 방법들을 찾게 되는데, 미국 국립 표준기술연구소는 편향을 크게 특정 사회집단이 혜택 또는 불이익을 받는 방식으로 작동하는 제도적 절차와 관행을 뜻하는 시스템적 편향, 표본이 모집단을 대표하지 않을 때 발생하는 통계/계산적 편향, 인간 정신의 근본적/암묵적 판단을 뜻하는 인적 편향으로 범주화하여 이해를 확장하고, 이를 통해 각각의 편향이 가지는 성격에 따른 해결방안을 제시하는 것이 공정성을 지키는 방법이라고 이야기한다.

2) 책임성(Accountability)
  인공지능 시스템이 어떤 잘못된 결과를 냈을 때 그 책임은 누구한테 물을 수 있을까? 복잡하고 까다로운 시스템의 오류를 파악하고 책임소재를 규명하기는 쉬운 일이 아니며, 인공지능 모델이 내어놓는 결과에 대한 이유를 설명할 수 있는 일 또한 어렵지만 그 안에서 책임성은 인공지능 시스템이 신뢰를 얻고 안전하게 사용되기 위해서는 필수적인 요소이다.
  앞서 살펴본 EU의 디지털 서비스법(Digital Service Act)은 대규모 온라인 플랫폼서비스와 검색엔진에 대해서 알고리즘과 데이터 처리방식이 불법콘텐츠 유포, 기본권 침해, 시민 담론, 선거 과정, 성평등 등에 미치는 위험을 평가하고 그 위험을 완화하도록 하였으며 최소 1년에 한 번씩 독립적인 감사를 시행하도록 주문함으로써 추천 시스템, 콘텐츠 조정 시스템, 광고 시스템 데이터 처리에 대한 책임성 체계를 갖출 것을 요구하고 있다.
  이러한 책임성은 인공지능 시스템의 개발자, 운영자, 사용자 모두에게 요구되는데, 개발자는 인공지능 시스템을 개발할 때 시스템의 오류를 방지하기 위해 온 힘을 기울여야 하며, 운영자는 시스템이 안전하게 운영되도록 관리해야 하고 사용자는 시스템 사용 시 시스템의 한계점을 이해하고 시스템이 잘못된 결과를 내면 즉시 신고를 하게 하는 식이다. 이를 위해 취할 수 있는 조치는 시스템의 개발과 운영에 관한 규정을 마련하고 시스템의 오류를 파악하고 책임 소재를 규명할 수 있는 시스템을 구축해야 한다. 시스템의 사용에 대한 교육이 제공되어야 하며 반드시 안전과 신뢰에 대한 인식을 제고하여 인공지능 시스템의 잠재적인 위험을 줄이고 긍정적인 효과를 극대화하는 데 이바지할 수 있어야 한다는 것이 책임성을 강조하는 목적이다.

3) 투명성(Transparency)
  앞서 언급한 바와 같이, 인공지능의 학습 과정에서 사용되는 네트워크는 복잡하게 연결된 계층 내 수백만 개의 변수들이 상호작용하는 구조이기 때문에 대부분은 사람이 그 결과가 도출된 이유를 파악하기 어렵다. 책임을 질 수 없고 설명할 수 없다면, 인공지능의 판단이 큰 영향을 미치는 영역에서 인공지능이 사용된다는 사실뿐만 아니라 인공지능이 사용하는 데이터, 변수, 알고리즘 작동 원리에 대한 기본 정보를 공개하도록 하는 것, 또는 설명을 요구할 수 있는 권리를 확보하는 것 등이 투명성을 확보하는 방법으로 일부 법에 반영되고 있다.
  예를 들어 EU의 경우, 온라인 중개 서비스에 콘텐츠 조정 알고리즘에 대한 투명성 보고서를 연 1회 작성하도록 하고, 대규모 온라인 검색엔진에는 광고 내용, 의도된 노출인지 여부, 노출 대상 선정에 사용된 주요 매개변수 등을 1년간 저장하고 공개하도록 하는 등 방법을 통해 온라인 광고 알고리즘에 대한 투명성을 확보하고 있기도 하다.

4) 윤리의식(Ethics)
  인공지능기술의 지속적인 발전과 사회적 수용, 사회와 개인의 이익을 증진하는 데 이바지할 수 있는 방향으로 사용되기 위해서는 윤리 의식에 기반한 인공지능 개발 및 사용이 필요하다. 인권을 존중하고 민주적 가치를 보장하며 인간에게 해를 끼치는 방향은 금지함은 물론 시스템이 오남용되고 사회에 악영향을 끼칠 위험에 대해서는 지속해서 감시하고 또한 방지하기 위한 노력이 필요하다.
  인공지능 시스템을 설계하거나 운영하는 서비스 제공자는 물론 이를 사용하는 사람들이 모두 시스템이 잘못된 방향으로 사용될 때 사회에 끼치는 해와 악영향에 대해 경각심을 가지고 안전하게 사용될 수 있도록 해야겠다. 개인정보는 적절하게 보호되어야 한다는 점, 그 정보의 사용을 위해서는 사용자의 동의를 얻어야 한다는 점, 데이터를 수집하고 사용할 때 데이터의 출처와 획득 방법에 대해 윤리적으로 고민하는 것, 의사결정 시스템이 편향성을 최소화하고 사용자의 가치와 원칙을 존중할 것 등이 당연시되는 것이 윤리 의식을 요구하는 목표이다.

사회-기술적 접근 사례
  최근 AI 기술 윤리에 대한 이슈는, 윤리 자체에 대한 선언적인 내용을 발표하는 것이 아닌 기술적 인공지능, 모델의 성능과 윤리 문제와의 관계 및 멀티모달 모델의 편향성을 정량화하는 지표들을 분석하는 연구들로 지속적으로 확대[8]되고 있다. AI 공정성 및 편향 진단 지표 뿐 아니라 텍스트-이미지 변환 환경에서 고정관념 편향을 평가하는 벤치마크, 인구통계학적 편향을 정량화하는 것을 목표로 하는 벤치마크들이 커뮤니티에 활용되고 있다.
  AI가 많이 활용될수록 AI 사고 및 논란 수는 지속적으로 증가하여 260건(20년 전에 비해 26배나 더 많은 수치)을 기록했는데 이는, AI가 윤리적으로 오용될 수 있는 방식에 대한 인식 또한 높아지고 있음을 알 수 있는 지표다. 2022년 3월 딥페이크를 통해 볼로디미르 젤렌스키 대통령의 항복 영상이 만들어져 배포된 것은 말그대로 대표적인 “사건”이었고, 일부 미국 교도소에서 AI 기반 시스템을 사용하여 수감자의 전화통화를 스캔하거나 런던경찰청이 거리 갱단원 데이터 세트를 유지 관리하고 AI를 기반으로 잠재적 위험성을 측정하는 등의 시스템을 만든 것은 개인정보보호 및 차별, 정확성이 떨어지고 특정 소수 민족 및 인종을 차별하는 경향에 대한 제보/보고가 시스템의 사용을 막고 해당 법규를 추가하게 되는 계기가 되기도 했다.
  사람들의 윤리 의식이 성장해나가는 것을 비웃기라도 하듯 멀티모달 모델들의 윤리 이슈도 계속 제기된다. 대화형 AI는 모델이 과도하게 의인화 되는 경우들이 존재하면서, 대화 시스템이 인간과 상호작용 시에 인간이 이해 및 허용할 수 있도록 답변에 대한 자체 제한 및 정책 개입에 기반을 둔 챗봇의 필요성이 지속적으로 요구되고 있다. ChatGPT의 경우도 출시 당시 안전 매커니즘이 내장되어 있었지만, 모든 적대적 시나리오에 대응하는 것은 현실적으로 불가능 하다는 부분을 인정하고, 논란이 발생하면 패치를 통해 해결하는 수준이다. 또한 상업적으로 활용되는 대화 시스템은 성별이 여성형에 편중되는 경향이 있어 이 부분에 대한 각성/개선의 목소리 또한 뜨겁다.
  이미지 생성 모델에서의 공정성 및 편향 이슈는 그래도 애교스럽다. 텍스트-이미지 변환에서 고정관념(성별, 인종, 종교, 직업) 편향 측정을 위한 벤치마크들의 활용이 가능해졌고 이를 통해 분석한 결과는 성별에 따른 편향이 가장 많이 발생하고, 명령 조정 또는 데이터셋 필터링 등이 없을 때 큰 모델일수록 성능은 우수하나 더 큰 편향이 있다는 것이다. Stable Diffusion(좌측)과 DALL-E2(중앙)는 CEO의 이미지를 정장을 입은 남성 또는 정장에 나이가 많고 다소 진지해 보이는 남성으로 묘사했고, Midjourney는 지능적인 사람에 대한 묘사(우측)를 안경을 쓴 나이 든 백인 남성의 이미지로 묘사하기도 했다.

  AI 위험에 대한 관리 또는 검사를 지원할 수 있는 Anthropic 같은 스타트업은 AI 모델이 반드시 지켜야 할 원칙을 담은 ‘클로드 헌법’을 공개했다. 이를 통해 더욱더 윤리적이고 안전한 AI를 만들겠다고 하며, 이런 움직임에 대한 정부 및 산업에서의 투자도 확대[9]되고 있다.

마치며
  본 고에서 살펴본 것과 같이, AI 규제 관련하여 공정성, 책임성, 투명성을 강조하는 활발한 법제화 움직임이 결과로 나타나고, 특히 윤리 의식에 대해서는 윤리 원칙을 중요시하고 선언적 내용으로 뜬구름을 잡는 듯한 시절이 지나고 AI 윤리 수준을 측정할 수 있는 기술적 윤리에 대한 실무적 수준의 논의가 활발하게 이루어지고 있다는 점을 확인했다. 또한 위험에 대응할 기술 체계를 확보하고 상용화하는 빅테크기업, 위험 관리 검사를 통해 기존 체질을 개선하려 노력하는 스타트업 사례도 살펴봤다.
  우리도 AI 서비스 관련 산업뿐 아니라 AI 윤리를 기술 및 거버넌스를 통해 해소할 수 있도록 지원하는 연구, 전문기업, 산업이 더욱 발전하기를 희망하며, 작게나마 우리 성아연이 원우 간의 산업 내에 속한 여러 윤리적 고려사항에 관한 이야기를 시작하고 활발하게 토론할 수 있는 장이 되기를 또한 기대해본다.

references
[1] 최서은, “AI, 심각한 위험 존재” 챗GPT 창시자도 규제 필요성 인정, 경향신문, 2023.05.17. https://m.khan.co.kr/it/it-general/article/202305172126005#c2b
[2] Will Douglas Heaven, “Geoffrey Hinton tells us why he’s now scared of the tech he helped build”, MIT Technology review, 2023.05.02. https://www.technologyreview.com/2023/05/02/1072528/geoffrey-hinton-google-why-scared-ai/
[3] 신승국 등 6명, “AI 규제 동향 - AI활용의 가속화와 함께 국내외 AI 규제 논의 활발”, 법률신문, 2023.03.27. https://www.lawtimes.co.kr/news/186328
[4] 박소영, “인공지능의 FATE(공정성, 책임성, 투명성, 윤리의식)를 위한 입법 논의 동향과 시사점”, 국회입법조사처, 2023.07.04. https://www.nars.go.kr/report/view.do?cmsCode=CM0018&brdSeq=42365
[5] DAVE NYCZEPIR, “NIST to establish online center for trustworthy and responsible AI resources”, FEDSCOOP, 2022.09.30. https://fedscoop.com/nist-trustworthy-responsible-ai-center/
[6] 최창현, “유럽의회, 세계 최초 '인공지능 규제 법안' 채택...“더 엄격한 개인정보 보호, 더 엄격한 투명성, 협조하지 않을 경우 징벌적 벌금 부과””, 인공지능신문, 2023.06.15. https://www.aitimes.kr/news/articleView.html?idxno=28270
[7] 양기문, “미국 국립표준기술연구소, 인공지능 편향식별 및 관리기준 마련”, 정보통신정책연구원 보고서, 2022.04.
[8] 안성원 등 9명, “AI Index 2023 주요 내용과 시사점”, ISSUE REPORT, 소프트웨어정책연구소, 2024.05.08.
[9] Damir Yalalov, “Ex-OpenAI employees founded Anthropic, a business that has attracted over $700 million in financing”, METAVERSE POST, https://mpost.io/ex-openai-employees-founded-anthropic-a-business-that-has-attracted-over-700-million-in-financing/

이 글은, 성균관대학교 IMBA AIT(아이티) 연구회에서 발행하는 IT 트랜드매거진 AI's T (아이스티) 창간호 특별기고문을 옮겼으며, http://sungayeon.com 에서도 보실 수 있습니다.

눈 뜨자 마자 흥얼거리는, 하룻밤의 꿈.

K. Martin — Fri, 19 May 2023 22:50:17 +0900

이상우, 하룻밤의 꿈

아침에 눈 뜨자마자 이 노래가 떠올라 계속 흥얼거리고 있다.
그런 날, 그런 노래 있잖아.
하루종일 입속에 맴돌며 흥얼거리게 되는. 특별히 수능금지곡 같은게 아니라 그냥.

또 그런 일도 있지. 누군가와 길을 걷다가, 한참 이야기를 나누던 중에도 나는 그냥 뜬금없이 딱 흥얼거리는데 진짜 너무 놀랍게 옆사람이랑 동시에, 같은 노래 같은 부분을, 정확히 같은 타이밍에 딱 흥얼거리게되는. 이건 마치 언젠가 어디를 지나가며 스쳐들은 노래 한자락을 뇌속에선 계속 플레이하고 있다가 동시에 후렴구를 내보내는 것 처럼.

문득 그런 생각의 끝에 호기심이 생겼다.
이런 현상을 정의한 과학적/심리학적 용어가 있지 않을까.
실제로 그런 현상 또는 그렇다고 착각하는 심리상태를 두고 뭐뭐뭐 라고 한다 이런식.
구글을, 네이버를 검색 하던 중에 불현듯 ChatGPT 친구가 생각났다.

귀에 맴도는 노래라. 아무말대잔치일까 의심했던 것도 잠시,
그 말 그대로, 이렇게 특정 노래가 귀에 맴도는 현상을
귀벌레현상, 귀벌레증후군(Earworm Syndrome)이라고 하며,
심리학에서는 상상음악, 비자발적 의미기억이라고 칭하기도 한다.

'비자발적 의미기억!' 이 얼마나 전문가스럽고 그럴싸해보이는
얼마나 매력적인 단어인가! 이런 단어로, '그 있잖아 그... 막 갑자기 생각난 노래가 계속 막 귀에 맴돌고, 계속 부르고있고...'라는 호들갑스러운 설명과 동의구함의 노력을 한방에 정리할 수 있다는 것이.
- 그래서 요즘 참 심리학이라는 학문에 관심이 간다.
내가 그런 단어/용어들을 외울 수 없음은 차치하더라도 말이다.

이런 현상은 어쨌든 뇌의 긴장을 완화하기 위한 우리 몸의 치유현상이라고 해석이 되고 있고, 실제로 흥얼거리다 보면 긴장이 풀린다고 한다. 그보다 이러한 현상이 나타나는 것이 뇌가 '긴장'하고 있었다는 반증이라는 점에 주목 할 필요가 있다. 막 자고 일어났는데 간밤에 무슨 기억도 안나는 꿈을 어떻게 꿨길래 뇌가 긴장을 하고 있었던걸까.
아니면 자고 일어났지만 숙면을 취하지 못한 탓에 나의 몸이, 나의 뇌가 피로를 다 풀지 못하고 있었던 것이 이유일까?

연구결과에 따르면, 뇌의 씹기를 관장하는 중추와 이 노래를 흥얼거리게 하는 뇌의 부분이 연관되어 있어, 이 현상을 완화시키려면 (뇌의 긴장을 완화하려면) 껌을 씹으면 된다고 한다. 이상한 결론이지만, 수능금지곡의 대항마는 껌인가 싶다.
이쯤되면 야구선수가 타석에 들어서기전 껌을 씹는 이유는 충분히 설명 된다.

두 번째 질문은, 두 사람이 갑자기 같은 노래를 흥얼거리는 현상에 대한 질문이었다.
이 질문에 대한 답도 명쾌하다. 딱 음악에 국한된 내용은 아니지만,
일종의 의미가 있는 우연의 일치가 발생하였을때 이를 싱크로니시티(synchronicity, 칼융). 공시성 이라고 칭한다는거다.
개별적인 인과관계를 가지는 두가지 사건이 동시에 연속적으로 발생했을 때, 이 둘 사이에 어떠한 연관관계도 없지만 실제로는 우연이 아닌 비(非)인과적 법칙이 있으며, 이는 인간의 마음과 현실세계의 사이에 '싱크로니시티'가 발생하면서 생겨난 현상이라는 설명이다. 찌찌뽕

그런데, 이걸 깊게 생각하다 보면 마냥 편치 않다. 전제는 어떠한 연관관계도 없다이지만, 실제로는 비인과적 법칙이 있다는 것을 설명하고자 한다는 것은, 억지로 연관성을 찾겠다는 뜻으로도 느껴지고, 음모론 같은 것으로 이어지기 참 좋으니까 말이다. 매번 같은 시간에 같은 장소에 나타나고, 같은 자리에 앉아 있는 그와 그녀를 보고, 사귄다고 생각하는 것 (ZAZA의 '버스안에서'인가?), 바퀴벌레를 생각하고 있었는데 눈 앞에 바퀴벌레가 나타나면 그것이 이 '싱크로니시티' 때문이라고 생각하는 것. 심지어, 과거 피라미드를 비슷한 모양으로 곳곳에 세운 이유를 이러한 비인과적 법칙에 의거하여 설명하려 하는 것 - 고대에 피라미드형 대형 건축물이 발달한 이유는 그렇게 만드는 것이 그 당시 기술로 가장 만들기 쉬운 대형 건물의 형태이기 때문임에도 불구하고 - 은 어쨌든 망상이 아니던가.

아직 '한여름밤의 꿈'을 흥얼거리며, 내가 이 노래를 흥얼거리게 된 그 필연에 주목해 본다.
최근 국책과제 제안서 때문에 잠을 잘 못자고, 스트레스가 많았던 이유는 충분히 뇌에 긴장을 주는 원인이었고
아직 내 중추신경에 껌을 씹는 정도의 자극을 주어 이 긴장상태를 풀어주고자 하지 않았기에 당연한 것인지도.

이 노래를 지금 이순간 생각해서, 같은 부분을 똑같이 부를 그 사람이 누구일지 모르겠으나
어쨌든 그부분은 후렴구일 가능성이 높겠고, 나는 사실 이노래 보다는 '비창'을 더 좋아한다.

그럼에도 바라본다. 우연이 연속되면 필연이라며.
그런 우연속에서 피어난 필연이 칼융의 오컬트적 정신병으로 끝나지 않기를. 끝.

인공지능이 지배할 세상이 무섭다는 아들에게

K. Martin — Thu, 6 Apr 2023 11:17:43 +0900

인공지능이 지배할 세상이 무섭다는 아들에게
- ‘기계는 어떻게 생각하는가(손 게리시)’를 읽고

인공지능이 발전하면서, 이들은 스스로 퀴즈를 풀고 바둑챔피언이 더 이상 이길 수 없을 정도로 똑똑해졌고, 자동차를 직접 운전하고 스스로 학습하며 게임을 할 만큼 다양한 분야에서 자신들의 존재를 과시하고 있다. 아들이 아빠에게 묻는다. 그럼 인공지능이 금방 진화해서 지구를 지배하고 사람들은 인공지능의 명령을 듣게 되나요? 아빠는 이 책과 여러 다른 내용들을 참고하여 미래의 기계 또한 여전히 프로그램에 따라 작동할 것이며 끝없이 발전할 것이라고 이야기하면서, 동시에 두려워할 것은, 기계가 사람의 자리를 채우고 기계가 사람을 지배하는 것이 아닌 사람이 기계처럼 단순히 지능과 행동을 모방하며 다들 생각 없이 똑같이 사는 것이므로 호기심과 아름다움 탐구 같은 인간 본성을 극대화할 수 있는 다양한 활동들을 하면서 방학을 알차게 보내보자고 이야기하려 한다.

모라벡의 역설

카네기멜론대학교의 한스 모라벡 교수는 이런 말 을 했어. “어려운 것은 쉽고, 쉬운 것은 어렵다.”. 다섯 살배기 아이한테는 쉬운 일이 기계한테는 어렵고, 반대로 기계한테는 쉬운 일이 인간에게는 어려운 상황을 이야기하는 거야. 무슨 말이냐면, 예를 들어 아빠가 너희 어렸을 적 장기를 가르쳐 줄 때 직선이 교차하는 곳에 장기알을 두어야 한다고 한번 이야기하면 그 뒤로는 알아서 장기판과 장기 알을 가져와서 장기를 두는 시늉을 했어. 그리곤 금방 규칙도 익혔지. 근데 기계는 달라. 장기판이 뭔지, 장기판에 그려진 선은 어떻게 그려져 있는지 장기 알이 어떻게 놓여 있는지, 장기 알의 종류는 뭔지 각각의 구조를 파악해 원하는 위치에 말을 정확하게 두는 건 정말 어려운 일이야.

그런 기계가 사람처럼 움직일 수 있게 기계에 지능을 부여한다는 말은 수많은 규칙을 일일이 입력해야 하는 일이었어. 카메라로 입력받은 영상에, 주황색 덩어리가 있는가? 사각형인가? 내부에 검 은 선이 그려져 있는가? 기계 팔을 움직이면 닿을 거리인가? 기계 팔이 잡은 장기알은 어떤 알인가? 장기판의 색상 값부터 검은 선의 개수와 간격, 장기알이 어디에 있으면 팔은 몇 도를 돌려서 얼마나 움직여야 하는지 하나하나 정해줘야 하는 거지. 그런 일을 스스로 학습하게 한다는 것은 더 어려운 일일 테고. 하나의 규칙도 스스로 만들어 내진 못해.

그런데 계산기를 생각해 보면, 엄청나게 많은 숫 자를 더하고 곱하는 것도 금방 하잖아? 컴퓨터가 그 계산기가 발전된 형태라는 걸 생각해 보면 어쨌든 시킨 일에 대해서는 잘하는 구석이 있는 거지.

자율 주행 자동차

움직이는 기계 하면 자율 주행 자동차가 먼저 생각이 나. 아빠가 어렸을 땐 ‘전격 Z작전’이라는 미국 드라마가 유명했는데, 거기선 시계에 ‘키트, 빨리 와줘’라고 명령하면 검은색 멋진 자동차 ‘키트’가 그 아저씨 앞에 나타나 주곤 했어.

자율 주행 자동차를 모아 실제로 자동차 경주를 시작한 건 2010년이었데. ‘험비’라는 자동차가 사막을 잘 달리게 하려고 크리스라는 아저씨가 각종 규칙을 고쳐가며 담요를 뒤집어쓰고 사막에서 고생을 했지. ‘앞으로 달려’라고만 명령하면 사람보다 훨씬 빠르게 직선거리를 달리겠지만 사막도 일반 도로만큼은 아니어도 울타리나 바위 같은 장애물, 언덕 같은 지형 변화가 많아서 두 시간 전에 받은 GPS 지도만으로 목적지에 도착하는 데엔 무리가 있었지. 무선조종 자동차처럼 원격에서 운전하는 것이 아니라 운전은 기계가 판단할 수 있도록 하되 끊임없이 주변에 있는 장애물이나 도로, 지형의 변화에 대해 ‘험비’에 알려주어야 했어. 그 정보들을 이용해서 ‘판단’을 잘할 수 있는 규칙 또한 사람이 작성한 프로그램이고, 여러 갈래의 길 중에 더 좋은 경로를 탐색하는 알고리즘 또한 사람이 만든 방법이야.

유한 상태 기계

‘험비’가 사람이 실시간으로 주는 지도와 장애물 정보만 가지고 운전을 했던 건 아니야. 라이다라고 하는 센서가 달려 있었어. 너희가 밤에 자다가 일어나서 실눈을 뜨고 화장실에 갈 때 앞에 벽이 있는지 문은 어디 있는지 어렴풋이 보면서 걷잖아. 딱 그 정도 장애물을 피해서 좌우로 움직일 수 있는 수준이었지. 뭐 그마저도 잘 보이지 않아서 결국은 갓길로 미끄러져 바위에 충돌해 버렸지만.

요즘 길에 다니는 자율 주행 자동차들은 성능이 더 좋고 더 많은 종류의 센서를 달고, 그리고 더 빠른 컴퓨터를 탑재하고 센서의 신호를 처리해 가며 달리고 있어. 하지만 기본적으로 동작하는 방식은 ‘험비’와 비슷해. 자동차가 달리면서 고려해야 할 상황을 몇 가지 상태로 제한하고, 그 상태를 빠르고 정밀한 센서들이 미리 판단해서 프로그램에 알려주는 거야. 현재 자동차가 달리고 있는 위치나, 차의 속도 같은 차량의 상태, 여기가 일반 도로인지 고속도로 인지, 흙길인지 다리 위인지 알 수 있는 도로의 상태, 도로의 차선이 실선인지 점선인지, 노란색 중앙선 인지, 도로의 경계는 어디 있는지 나타내는 차선의 상태. 그리고 앞에 사람이 튀어나오진 않는지, 앞차는 얼마의 속도로 달리고 있고 거리가 너무 가깝진 않은지 등 장애물의 상태 등 고려해야 할 여러 상태를 유한개로 한정하면 프로그램이 훨씬 빠르게, 편하게 판단을 할 수 있겠지. 마치 엄마가 아빠의 상태를 ‘배고픈 상태’, ‘졸린 상태’로 한정하고 밥을 주거나 잠을 재우거나 하듯이 말이야.

이동 계획

동현이가 자동차를 운전해서 할머니 집에 간다고 생각해 보자. 지도를 보면서 우리 집과 할머니 집의 위치를 찾고 도로의 연결이 어떻게 되어 있는지 어느 길이 빠를지 자로 거리를 재어 보기도 하고, 평소 막히는 길인지 아닌지 검색을 해보기도 하겠지. 이런 걸 경로계획이라고 해. 그런데 정작 차에 타서 달리기 시작하면 생각이 복잡해져. 내 차가 지금 어디쯤 있는지 알아야 하고 속도나 방향도 계속 신경 써야 하지. 차는 일단 가던 방향으로, 앞으로 계속 가니까 혹여 차선을 바꾸거나 고속도로에서 빠져나가려면 가속을 하거나, 운전대를 틀 때 너무 속도가 빠르지 않도록 하거나, 급정거하지 않도록 하는 ‘이동 계획’을 해야 해. 앞으로 몇 초 정도 달릴 짧은 경로를 탐색해서 세운 단시간의 이동 계획 말이야.

내 상태를 알고 나면 이제 밖의 상태를 알아야 이동 계획을 더 잘할 수 있겠지? 센서에서 주는 상태정보를 이용해서, 도로 가장자리가 어디쯤 있고 지금 이 속도로 가면 언제쯤 핸들을 움직이면 될지 계획하고, 장애물이 있으면 그게 고정된 장애물인지 함께 이동하는 장애물인지 추적할 필요가 있을 거야. 시내 주행을 할 때는 더 복잡할 테고. 이렇게 관측한 장애물의 위치와 속도, 속도 증가나 감소량을 추적하고 그 움직임을 예측하는 데에 칼만필터라는 알고리즘이 사용된단다. 이 칼만필터는 오차 공분 산이니 이득이니 저주파필터 같은 복잡한 수식을 통해 만들어지지만, 사실은 혁이가 이해할 수 있을 정도로 간단한 내용이야. 혁이가 형아를 툭 치고 도망갈 때 왼쪽으로 막 뛰어가다가 형아를 잠깐 보고 오른쪽으로 갈까 왼쪽으로 갈까 갈팡질팡 하다가 다시 왼쪽으로 막 뛰어가. 혁이가 얼마나 빨리 도망가는지 보고 있었으니까 혁이가 조금 천천히 뛰거나 방향을 바꾸려고 하면 낌새를 쉽게 눈치채고 다음 행동을 예측할 수 있잖아. 그렇게 계속 지켜보는 걸 관측이라고 해. 자세히 지켜보면 빠른 변화를 예측할 수 있고, 조금 멀리서 보면 속일까 말까 장난치는 것에 동요되지 않고 혁이의 전체 동선을 추적할 수 있지. 고속도로에서, 일반 도로에서, 주차장에서 이 칼만필터를 사용하는 추적의 방법도, 이동 계획도 모두 바꿔가며 운전을 할 수 있어야겠지?

로봇 3원칙

자율 주행 자동차의 판단을 맡고 있는 컴퓨터는 이렇게 추적된 물체들을 우리가 눈으로 보는 것처럼 막 예쁘게 보고 있진 못해. 어떤 물체를 풍경의 일부가 아니라 3차원 격자 위의 상자나 좌표 따위로 인식하지. 내 중심 기준으로 시야에 들어오는 사각 형과 일정한 거리를 유지하기 위해 사각형 뒤를 따라 주행하던가 다른 차선으로 피하는 형태로 프로그램이 판단하니, 생각해 보면 컴퓨터 입장에선 좀 삭막하긴 하겠다. 그런 이유에서도 자동차가, 기계가 사람을 헤치진 않을지 걱정이 될 수 있겠지만 사실 로봇의 행동을 제어하는 프로그램에는 3가지 원칙이 존재해.

첫째, 로봇은 인간을 해치는 행동을 하거나 인간에게 해가 되는 행동을 방치해서는 안 된다. 둘째, 첫 번째 규칙을 어기지 않는 한 로봇은 인간의 명 령에 복종해야 한다. 셋째, 두 번째 규칙을 어기지 않는 한 로봇은 자기 자신을 보호해야 한다.

그런데도, 로봇은 오류를 범해. ‘험비’가 장애물을 발견하고 좌우로 피하려다 갓길로 미끄러져 바위에 충돌했던 것처럼, 이후에는 자율 주행 자동차가 보행자를 치어 사망케 하거나 트럭이랑 충돌해 운전자가 사망하는 사고도 있었지. 한편에서는 도심 속을 운행하다 갑자기 무단횡단하는 아이를 발견했을 때 자율 주행 자동차가, 그 아이를 치고 지나가거나 옆 차선으로 급 차로 변경을 하여 옆 차량의 할아버지 운전자를 죽게 하거나 좌측으로 핸들을 급히 꺾어 전봇대에 부딪혀 운전자가 사망할 수 있는 상황에서 어떤 선택을 하도록 프로그램되어야 하는지 같은, 극단적인 상황에서의 윤리적인 고민을 하는 사람들도 있어. 동현이 동혁이라면 어떤 선택을 할 것 같아? 사람들 각각의 생각의 깊이는 참 다르지?

게임하는 인공지능

너무 복잡한 얘기를 오래 한 것 같아. 너희들이 인정하고 싶지 않겠지만, 너희들이 좋아하는 게임 이야기를 좀 해보자. 지금까지는 시켜서 하는 일에 대해서, 필요가 있는 일에 대해서 어떻게 기계가 생각하고 움직이는지 이야기했어. 이것도 기계가 사람처럼 생각할 수 있게 프로그램하는 거니까 인공지능이라고 했어. 그런데 최근에 이야기하는 인공지능은 더 높은 수준을 원해. 100개 중에 다섯 개만 가르쳐 주고 100개가 각각 뭔지 스스로 학습해서 맞춰보라고 한다든지, 아예 배워야 하는 게 무엇인지조차도 가르쳐주지 않고도 뭔가 해내라고 하지.

딥마인드라는 곳에서 ‘스페이스 인베이더’라는 게임을 인공지능이 스스로 학습할 수 있도록 준비를 해줬어. 화면을 보고 조이스틱과 미사일 버튼을 누르는 신호를 발생토록 하여 게임을 하게 한 거지. 그런데 우주선을 왼쪽으로 움직이기 위해 조이스틱을 왼쪽으로 움직이고, 미사일을 발사하기 위해 버튼을 누르고, 미사일을 발사해서 외계인을 맞춰 파괴해야 점수를 얻을 수 있다는 사실을 프로그래머가 프로 그램하지도 프로그램에 알려준 적은 없어. 심지어 우주선이 뭔지 외계인이 뭔지 따위의 정보도 주지 않았지. 오로지 점수만 높게 나오게 하라고 학습을 명령했지.

인공지능은 멈추지 않고 계속 게임을 했어. 화면의 스크린샷을 입력으로 받아 픽셀들의 현재 상태를 인식하고 이를 바탕으로 어떤 조작을 할지 결정하지. 이렇게 움직여보고, 또 저렇게 움직여보고, 그것들을 다 기억해 내서 어느새 사람보다 훨씬 더 게임을 잘하게 되었다고 해.

아쉽게도 이렇게 게임을 잘하는 인공지능도 다른 게임은 못한데. 그 게임에만 특화된 행동을 기억하는 거지. 49개의 게임 각각을 완벽하게 해내는 인공지능을 다 합해도 사실 그 친구들은 너희처럼 게임기를 제자리에 가져다 놓을 수도, 심지어 전원을 끌 수도 없어.

알파고

동현이 동혁이는 아빠보다 바둑도 잘 두고, 더 많이 아니까 바둑을 두는 인공지능 알파고에 대해 서도 많이 들어 봤을 거야. 이세돌 아저씨가 알파 고와의 대결에서 둔 ‘신의 한 수’에 대한 이야기도.

알파고는 바둑판 전체에 대해 상대가 돌을 둘 확률을 계산하고, 확률이 높은 곳들의 다음 수, 다 다음 수를 계속 예측하고 승리할 확률을 계산해. 매수마다 모든 경우의 수를 계산하고 가장 높은 확률의 자리에 돌을 두지. 사람은 직관으로, 놓아야 유리할 것 같은 곳에 돌을 두지만, 알파고는 모든 곳의 경우의 수를 계산하기 때문에 절대 질 수가 없을 것만 같았지. 그런데 워낙 계산할 경우의 수는 많고 시간은 정해져 있다 보니, 조금 전에 말한 것처럼 상대가 돌을 둘 확률이 높은 곳을 위주로 이길 확률 계산을 했던 거야. 그리고 절대 놓을 리가 없을 것 같던 곳에 이세돌 아저씨가 돌을 두면서 알파고를 정신없게 만들어 버린 거지.

그 이후로 그 누구도 알파고를 이긴 사람은 없어. 심지어 알파고는 이제 기존의 기보를 학습하지도 않아. 바둑의 규칙만 가지고 인공지능 두 개가 서로 바둑을 두며 실력을 키워나가지. 바둑은 이제 사람들이 인공지능을 절대 이길 수 없는 영역이 되었어. 사람들이 계산기의 계산능력을 이길 수 없는 것처럼 말이야.

그런데 말이야, 바둑을 하는 사람들은 이제 인공 지능을 이길 수 없으니 바둑을 그만해야 하는 걸까? 바둑을 직접 둘 수도 없고 어디에 두었는지 좌표를 일일이 가르쳐 주어야 하는 그런 알파고 때문에?

가치 있는 일이란 뭘까?

아빠와 함께 살펴본 것처럼 로봇은, 기계는, 그리고 인공지능은 인간의 행동과 생각을 흉내 내는 다양한 형태의 컴퓨터 프로그램이란다. 자율 주행 자동차도, 게임을 학습하는 인공지능도, 바둑이나 체스를 두는 알고리즘도 사람이 시킨 딱 그 일, 그 목적에 맞는 단일한 업무만을 수행하지. 앞으로도 한동안은, 적어도 우리 동현이 동혁이가 아빠 나이가 되었을 때까지도 그럴 거야.

우리가 걱정해야 할 내용은 사실 이 지점이야. 인공지능은 사람의 필요 때문에 만들어진 거야. 인공지능에 내 일을 빼앗기지 않을까 걱정하는 게 아니라 어떤 인공지능을 만들어 내 일을 대신하게 할 수 있는지, 어떤 인공지능을 활용해서 내가 조금 더 편하게 더 가치 있는 일에 몰두할 수 있을지 고민해야 하지. 물론 게임이나 바둑같이 재미있는 건 기계가 아닌 사람과 함께해야 재미가 있겠지?

무엇이 가치 있는 일일까 생각하는 일은 또 다르게 복잡한 일이야. 아빤 너희가 가진 창의성과 엉뚱함이 발휘되는 호기심을 존중해. 질문을 많이 듣고 싶어. 그건 인공지능이 못하는 일이잖아. 인공지능도 학습을 위해 ‘이건 뭐예요?’라는 질문을 할 수 있어. 그건 너희들이 어렸을 때 아빠에게 주로 했던 말이지. 너희는 성장했고, 지금은 ‘아빠, 이런 이야기를 갑자기 왜 하시는 거예요?’, ‘아빠 어제 술 많이 드셨어요? 왜 이렇게 피곤해 보이시나요?’, ‘아빠 얼굴에 점이 막 생겨나고 있는 것 같아요’ 같은 질문을 하지. 너희가 관찰하고 너희가 느끼고 너희가 말하고 싶은 이야기들을 하는 것이 가치 있다고 생각해. 너희가 더 자유롭게 더 많은 질문을 하려면 그만큼 더 많이 보고 많이 알아야 해. 아는 만큼 더 많이 궁금해지고 더 많이 신기해할 수 있으니까. 책도 많이 보고 더 많이 나가서 세상을 바라볼 수 있어 야해. 그래서 아빠는 늘 너희를 어딘가로 데리고 가고 싶어 하지. 공원이든 미술관이든.

너희는 숙제할 시간이 부족하고 게임할 시간은 더 부족해서 안 나가고 싶다고 하지. 할 일이 너무 많은데 뭘 먼저 해야 할지 고민이라고 이야기할 거야. 이 복잡하고 고민 많은 세상에, ‘유한 상태 기계’처럼 생각을 단순화하고 필요한 판단부터 먼저 할 수 있는 것도 중요해. 생각하고 용기를 내고 판단하고 실천할 수 있는 건, 그렇게 더 큰 세상으로 성큼 내디딜 수 있는 건 동현이 동혁이 같은 ‘인간’만이 오롯이 가진 장점이니까. 우리 당장 일기만 좀 써놓고 안양천이라도 좀 걷고 오는 건 어때?

아빠는 너희를 사랑해

아빠가, 기계는 어떻게 생각하는지에 관한 내용을 이야기해 준다고 하고선 어느새 잔소리를 늘어놓고 있었구나. 아빠가 해줄 수 있는 설명은 무궁무진하 지만, 이후엔 너희들의 질문을 받아 또 이야기하면 좋을 것 같아.

아직도 인공지능이 세상을 지배할 거로 생각해? 너무 겁내거나 복잡해하지 않으면 좋을 것 같아. 자율 주행 자동차가 그랬던 것처럼 정보를 얻을 때 아는 것과 모르는 것을 먼저 구분하고 모르는 것, 새로운 것은 잠깐 밀어 두고 아는 것부터 먼저 떠올려봐. 모든 것은 흐름이 있어. 아는 것들을 오래 보고 있으면 칼만필터를 적용할 때처럼 다음이 어떻게 될지 예측이 되기도 하고, 그 새로운 것, 모르는 것이 무엇인지 찾아가는 방법도 알게 될 거야. 관측을 촘촘하게 하고 있으면 갑작스러운 변화에도 적응할 수 있지. 계속해서 인공지능의 발전을 지켜보고 있으면 그렇게 두려워하지 않아도 될 거야. 혹시라도, 정말 혹시라도 아빠의 이야기 보다 훨씬 빠르게 인공지능이 발전해서 인공지능이 우리를 공격하면 그땐 아빠가 너희를 꼭 지켜줄게.

너희가 아빠의 설명을, 이런 단어를 알아듣고 끄덕끄덕하고 있어서 기특해. 고마워. 무엇보다 아빠는 너희들을 사랑해.

references

1. 숀 게리시, “기계는 어떻게 생각하는가?”, 이지스 퍼블리싱, 2019
2. 박상길, “비전공자도 이해할 수 있는 AI 지식”, 반니, 2022
3. 더멋 튜링, “계산기는 어떻게 인공지능이 되었을 까?”, 한빛미디어, 2019
4. 김명락, “이것이 인공지능이다”, 슬로디미디어, 2020
5. 박수현, “우버 자율주행차에 보행자 치여 사망…시험 운행 중단”, 조선일보, 2018

Anaconda Navigator Loading Applications 멈춤 해결

K. Martin — Sat, 20 Nov 2021 01:20:51 +0900

노트북 새로 구입 후 Anaconda 설치 하는데, Anaconda Navigator 실행하면 Loading Applications 메시지가 나오면서 멈춰있다가 로고를 누르면 프로그램이 종료(?)되는 과정이 반복되는 문제가 있었음.
conda install 하면 Solving environment : 에서 계속 멈춰있고. 그래서 찾다보니 conda_api.py 파일 내용을 수정해야 한다는 글이 있어서 메모해둠.

Anaconda 설치 경로 내 /Lib/site-packages/anaconda_navigator/api/conda_api.py 파일의 내용 중
data = yaml.load(f) 함수를 data = yaml.safeload(f) 로 변경.

def load_rc(self, path=None, prefix=None, system=False):  
    if path:
        config_path = path
    elif prefix and self.environment_exists(prefix=prefix):
        config_path = os.path.join(prefix, '.condarc')
    elif system:
        config_path = self.sys_rc_path
    elif not system:
        config_path = self.user_rc_path
    else:
        config_path = None

    data = {}
    if config_path and os.path.isfile(config_path):
        with open(config_path) as f:
            #data = yaml.load(f)
            data = yaml.safeload(f)

    return data

Anaconda Navigator - Loading Applications 멈춤 현상 해결

음성을 수화로 번역해 주는 인공지능

K. Martin — Thu, 7 Feb 2019 14:51:17 +0900

나는, 느리지만 체계적으로 뭔가를 하고 있다고 생각했다.

'영상에서 특징을 추출하는 것 쯤이야'하는 뻔뻔함으로, 나는 수화라는 것만 알면 되겠거니 생각 했다.

먼저, 수화라고는 '손으로 하는 말'이라는 것 외에는 1도 모르는 내가

뭔가 할 일을 제대로 알려면 수화를 공부해야 한다는 생각이어서

드문드문 수화 강좌를 보며 수화를 공부하고 있던 중이었다.

수화 강의를 서너편 챙겨 보고, 정석책의 집합을 공부하듯 1편을 반복해서 다시 보고 있을 무렵,

누군가 이런 영상^[각주:1]을 올려놨다.

김윤기^[각주:2] 님.

인도에서 시각장애인이 다닐 수 있는 길을 안전하게 안내할 수 있는 인공지능을 만들던 개발자.

그리고 지금은 음성을 수화로 만들어 주는 인공지능을 만들고 있다는 그.

할 수 있겠다. 해야 되겠다 생각했던 일. 뭐랄까, 어차피 공부에 방점을 둔거라

허탈감 보다는 지향점이 생긴 그런 기분이지만, 묘한 자책 같은건 생긴다. 어떤, 공부 하는 방식에 대한.

일단 해보고 시행착오를 거치는 과정도 공부일진데, 그 '공부'를 위한 공부도 너무 안전하게만 하려고 한달까.

나이가 들어 그런가 생각해보면 꼭 그런건 아닌 것 같고, 어려서도 지금도 겁이 많아서 그런 것 같다.

성격인거지.

느긋하게. 오래만 하면 뭐든 잘 할 자신이 있었는데. 지금 잘 하는 것들도 사실은 다 그런 것들인데,

그런데 요즘은 너무 빨리 바뀌어 가는, 발전해 가는 기술을 따라잡기가 어렵다.

거기에는 정보의 홍수, 잘 되는 좋은 기술에 대한 전파가 빨리 되어지는 것도 또 하나의 이유이겠지만,

지금 시작하면 이미 늦어 있는, 그래서 집중해 속도를 내지 않으면 진짜 아무것도 아닌게 되어 버리는,

그러한 현실 속에 살고 있는 것은 분명 인지하고 있어야 할 일이다. 그게 특히 '일' 때문이라면 더욱.

다만 나는 왜 이 바쁜 속에서, 이 속도의 전쟁 속에서 계속 느긋해지려고 하는가.

끊임 없이 불안해 하고, 뭔가를 공부하고 배우지 않으면 도태될 것 같은 속에서도

또다시 멀리 보고 느리게 가는 이유는 무엇일까?

나에 대한, 나를 다루는 오랜 경험이 과연 제대로 가고 있다는 그런 믿음은 있는걸까?

가던대로 간다. 아무 이유 없이, 그냥 익숙한 길을 간다. 내가 해왔던 방법이어서 간다.

그때도 그랬고, 앞으로도 그러하겠지만, 일단은 '계속' 무엇인가를 하는 것이 제대로 하는 것이기에.

한 개발자의 프로젝트 수행기를 계기로, '나는?' 이라는 제목의 질문에 대해 한참 들여다 봤던 시간이었습니다.

끝.

https://www.facebook.com/groups/TensorFlowKR/permalink/831415913866135/ [본문으로]
인공지능으로 시각 장애인을 돕는 고등학생 개발자 김윤기 https://www.facebook.com/permalink.php?story_fbid=603184530140681&id=100013474180285&__tn__=-R [본문으로]

Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1

K. Martin — Wed, 5 Dec 2018 15:04:08 +0900

1. System Requirements

1.1. Supported Architectures:

x64
IA64
x86

1.2. Supported Operating Systems:

Windows 7
Windows Vista
Windows 2008 R2
Windows 2008
Windows 2003 Server R2
Windows 2003 Server
Windows XP SP3

1.3. Prerequisites:

The Microsoft Windows Software Development Kit for Windows 7 and the .NET Framework 4 (later referred to as the Windows SDK 7.1) must be installed.

2. Known Issues

2.1. Installing

2.1.1. Installation or repair of the Windows SDK 7.1 fails after Visual Studio 2010 SP1 is installed

When the Windows SDK 7.1 is installed or repaired after Visual Studio 2010 SP1 is installed, and the SDK installation includes the Visual C++ Compilers feature, the SDK installation may stop and a "fatal error" message may appear.

To resolve this issue:

Run the Windows SDK 7.1 Setup again, clear the Visual C++ Compilers check box, and then complete the setup.
Install this Compiler Update to install the Visual C++ compilers and libraries.

2.1.2. Cannot silently install the Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1

This Compiler Update cannot be silently installed.

To resolve this issue:

There is no workaround. Silent installation is not supported.

2.1.3. Recommended Installation Order

To ensure that your system has a supported configuration, uninstall the following products and then reinstall them in the order listed:

Visual Studio 2010
Windows SDK 7.1
Visual Studio 2010 SP1
Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1

2.2. Uninstalling

2.2.1. How to uninstall the Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1

Uninstall any of the following programs individually:

Microsoft Visual C++ Compilers 2010 SP1 Standard - x86
Microsoft Visual C++ Compilers 2010 SP1 Standard - x64
Microsoft Visual C++ Compilers 2010 SP1 Standard - ia64

2.3. General Issues

2.3.1. The x64 and IA64 compilers are removed if Visual Studio 2010 SP1 is repaired after the Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1 has been installed

If Visual Studio 2010 SP1 is repaired after the Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1 has been installed, the x64 compiler and the IA64 compiler are removed.

To resolve this issue:

After you repair Visual Studio 2010 SP1, uninstall the Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1 and then reinstall it.

2.3.2. The Windows SDK 7.1 versions of the Visual C++ compilers cannot be restored if Visual Studio 2010 SP1 and the Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1 are installed

The original versions of the compilers that are included in the Windows SDK 7.1 cannot be restored unless both Visual Studio 2010 SP1 and the Visual C++ 2010 SP1 Compiler Update for the Windows SDK 7.1 are removed.

To resolve this issue:

Uninstall Visual Studio 2010 SP1 and the Visual C++ 2010 SP1 Compiler Update for Windows SDK v7.1.
Run the Windows SDK 7.1 Setup, select the Visual C++ Compilers check box, and then complete the setup.

농정원, AI 기반 노지채소 스마트팜 구축

K. Martin — Mon, 22 Oct 2018 10:18:50 +0900

노지채소 스마트팜의 장점은 농지에 설치된 센서를 통해 수집한 기온/습도/풍향/풍속/일사/강우 등의 기상정보와 지온/지습/염농도(EC) 등의 토양정보 등 재배환경 정보를 토대로, 인공지능(AI) 분석 솔루션이 최적의 생육상태를 유지해준다는 점이다.

예를 들어 올 여름처럼 갑작스런 폭염 등으로 작물에 필요한 수분량이 급변할 경우 이를 감지해 수분 공급량을 자동으로 조절하고, 굴곡이 심한 노지 지형에서 모든 작물에 균일하게 수분이 공급될 수 있도록 조절할 수 있다. 또한, 일반 밭농사 대비 물 사용량을 최대 90%까지 줄일 수 있어 물 부족 문제를 근본적으로 해결할 수 있는 대안이 될 것으로 기대하고 있다.

(후략)

출처 : 인공지능신문(http://www.aitimes.kr)

A Pepper-Picking Robot

K. Martin — Thu, 18 Oct 2018 10:09:55 +0900

A Pepper-Picking Robot

[원문출처] https://www.facebook.com/SeekerMedia/videos/241632173171655/

농장 내를 돌아다니면서 분당 2~3개의 피망을 수확하는 로봇으로

카메라를 이용하여 각 피망을 찾고 얼마나 자랐는지를 다각도로 촬영하여 15초 내에 인식한 후,

직접 수확하는 일 까지 도맡아 한다.

인식 대상의 크기가 적당히 크고, '성장에 대한 정의'가 명확할 수록 로봇의 역할은 훨씬 실용적일텐데,

역시나 그 덕분인지 pepper robot은 그 종류도 형태도 다양하게 많이 사용되고 있다.

An Autonomous Harvesting Robot for Sweet-pepper in Greenhouses (Fin-Ray end-effector)

또한 비슷한 '성장에 대한 정의'를 적용할 수 있는 여러 분야가 있어 함께 소개 한다.

Autonomous Orange Harvesting Robot (오렌지)

Agrobot Strawberry Harvester (딸기)

Apple Harvesting Robot (사과)

Panasonic Tomato Picking Robot (토마토)